【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其是一种跨部件小样本故障诊断方法、系统和存储介质。
技术介绍
1、在复杂的工业系统中，机械故障诊断在保证设备和人员安全方面起着关键作用。目前，由于现实世界应用中故障样本的可用性有限，小样本学习（fsl）方法在机械故障诊断中受到了广泛的关注。特别是在实际的工业环境中，有可能为具有大标记样本数据集的组件开发一个有效的故障诊断模型，进而探索该模型对小样本目标组件进行分类的适用性。这种场景被称为跨部件小样本故障诊断，其中训练集和测试集具有不重叠的类，它们的数据分布表现出明显的差异。这个问题是故障诊断的一个面向应用的重要挑战。
2、现有技术中，基于深度学习的小样本故障诊断框架具有强大的特征学习能力，能够通过多个隐藏层直接从原始传感器数据中学习分层表示，并自动选择有利于识别的特征，准确的进行故障分类。但必须注意的是，现有的基于小样本的故障诊断方法对输入振动数据与输出对应类之间的相关性进行建模，而忽略了因果关系，这可能导致统计相关性，但不符合客观因果定律，所示这种故障诊断方法往往难以分析故障机制（即可解释性不足）...
【技术保护点】
1.一种跨部件小样本故障诊断方法，其特征在于，首先在源域数据集上对因果干预关系网络进行元训练；然后结合目标域数据集中的标注样本对因果干预关系网络进行微调并固定；采用固定后的因果干预关系网络对目标域上的数据样本进行分类识别；
2.如权利要求1所述的跨部件小样本故障诊断方法，其特征在于，关系度量模块用于计算输入特征向量与支持集上各类别的相关得分，然后通过激活相关得分获得输入特征向量归属于支持集上各类别的概率。
3.如权利要求2所述的跨部件小样本故障诊断方法，其特征在于，关系度量模块包括N个分类器，每个分类器后端设有激活层；N为设定值；
...
【技术特征摘要】
1.一种跨部件小样本故障诊断方法，其特征在于，首先在源域数据集上对因果干预关系网络进行元训练；然后结合目标域数据集中的标注样本对因果干预关系网络进行微调并固定；采用固定后的因果干预关系网络对目标域上的数据样本进行分类识别；
2.如权利要求1所述的跨部件小样本故障诊断方法，其特征在于，关系度量模块用于计算输入特征向量与支持集上各类别的相关得分，然后通过激活相关得分获得输入特征向量归属于支持集上各类别的概率。
3.如权利要求2所述的跨部件小样本故障诊断方法，其特征在于，关系度量模块包括n个分类器，每个分类器后端设有激活层；n为设定值；
4.如权利要求3所述的跨部件小样本故障诊断方法，其特征在于，因果干预关系网络的训练包括以下步骤：
5.如权利要求4所述的跨部件小样本故障诊断方法，其...
【专利技术属性】
技术研发人员：丁煦，应金涛，徐娟，石雷，吕增威，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。