一种设备故障诊断方法及系统

本申请涉及设备管理，尤其涉及一种设备故障诊断方法及系统。

背景技术：

1、工业设备的安全可靠运行是智能制造、轨道交通、能源装备等领域生产保障的核心环节，以深度学习为代表的数据驱动故障诊断方法虽无需依赖人工特征设计即可自动提取分层特征，但其训练与泛化高度依赖大规模标注样本。在实际工业场景中，设备故障具有偶发性、隐蔽性和多样性，难以采集足量有效数据，尤其在新型工况、新型设备下往往仅能获取每类数条标注样本，形成典型的小样本故障诊断问题，样本极度稀缺易导致模型过拟合、特征判别性不足及泛化能力下降。

2、为解决此问题，现有技术主要采用数据增强和迁移学习路径，但数据增强难以精准拟合真实分布且易引入噪声伪特征，迁移学习在工况差异大、个体差异显著的跨域场景中易出现负迁移与分布适配失效，因此元学习凭借“学会学习”的核心机制通过任务化训练快速适配新故障任务，成为小样本故障诊断的主流研究方向。

3、在元学习体系中，基于度量的元学习因结构简洁、计算高效被广泛应用于小样本故障诊断，典型方法如原型网络、关系网络等并未对类间差异的程度进行显式量化，在样本稀缺且易受噪声干扰时易导致故障类型误判率上升。相比之下，三元组损失函数引入了大间隔学习思想，通过约束类间差异程度能够学习到高判别性特征，但传统三元组损失依赖随机单样本构建三元组，存在信息利用不足、对噪声敏感、需复杂采样策略等局限。特别是在工业场景中，受噪声干扰的传统三元组损失无法准确反映真实的故障类别分布，进而导致诊断性能下降，难以满足复杂工业场景下的小样本故障诊断需求。

技术实现思路

1、本申请提供了一种设备故障诊断方法及系统，以至少解决现有技术中小样本故障诊断中基于度量的元学习未对类间差异进行显式量化易导致误判，传统三元组损失依赖随机单样本构建三元组存在对噪声敏感及信息利用不足，以及现有特征提取网络在噪声与跨工况场景下特征表达能力不足，导致模型过拟合、特征判别性差及泛化能力下降的问题。

2、第一方面，本申请提供了一种设备故障诊断方法，所述方法包括：

3、基于获取的历史待诊断设备的传感信号数据，通过特征提取网络进行特征提取，得到历史任务样本的嵌入特征，所述任务样本包括历史查询样本和历史多类支持样本，所述特征提取网络以残差结构为基础，将注意力模块与多尺度卷积模块串联构成；

4、基于所述历史多类支持样本的嵌入特征，确定类别原型；

5、根据所述类别原型与所述历史查询样本嵌入特征之间的距离关系，构建基于所述类别原型的三元组损失，所述三元组损失用于约束同类特征聚合与异类特征分离；

6、基于所述特征提取网络和所述三元组损失，构建故障诊断模型，以最小化所述三元组损失为目标，对所述故障诊断模型进行训练，得到训练好的故障诊断模型；

7、获取当前待诊断设备的传感信号数据，根据所述训练好的故障诊断模型，得到故障诊断结果。

8、上述技术方案通过用类别原型替代单一样本构造三元组以构建基于原型的三元组损失，并采用以残差结构为基础串联注意力模块与多尺度卷积模块的特征提取网络进行特征增强，实现了对故障特征的提取与特征空间的学习；基于原型的三元组损失降低了个体样本噪声对训练稳定性的影响，增加了同类故障特征的聚合性与不同类故障特征的区分度，同时多尺度特征增强网络提升了特征提取与判别能力，以适应小样本场景下故障样本数量稀缺的情况，从而提升了小样本故障诊断的精度与鲁棒性。

9、第二方面，本申请提供了一种设备故障诊断系统，所述系统包括：

10、特征提取模块，用于基于获取的历史待诊断设备的传感信号数据，通过特征提取网络进行特征提取，得到历史任务样本的嵌入特征，所述任务样本包括历史查询样本和历史多类支持样本，所述特征提取网络以残差结构为基础，将注意力模块与多尺度卷积模块串联构成；

11、原型确定模块，用于基于所述历史多类支持样本的嵌入特征，确定类别原型；

12、损失构建模块，用于根据所述类别原型与所述历史查询样本嵌入特征之间的距离关系，构建基于所述类别原型的三元组损失，所述三元组损失用于约束同类特征聚合与异类特征分离；

13、模型训练模块，用于基于所述特征提取网络和所述三元组损失，构建故障诊断模型，以最小化所述三元组损失为目标，对所述故障诊断模型进行训练，得到训练好的故障诊断模型；

14、故障诊断模块，用于获取当前待诊断设备的传感信号数据，根据所述训练好的故障诊断模型，得到故障诊断结果。

15、第三方面，本申请提供了一种电子设备，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述设备故障诊断方法所执行的操作。

16、第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现所述设备故障诊断方法所执行的操作。

17、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任一种设备故障诊断方法的步骤。

1.一种设备故障诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于获取的历史待诊断设备的传感信号数据，通过特征提取网络进行特征提取，得到历史任务样本的嵌入特征，所述任务样本包括历史查询样本和历史多类支持样本，所述特征提取网络以残差结构为基础，将注意力模块与多尺度卷积模块串联构成，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于获取的历史待诊断设备的传感信号数据，通过所述残差结构进行初步特征提取与深层特征挖掘处理，得到残差特征，包括：

4.根据权利要求2所述的方法，其特征在于，所述基于所述残差特征，通过所述注意力模块进行通道加权优化处理，得到注意力优化特征，包括：

5.根据权利要求2所述的方法，其特征在于，所述基于所述注意力优化特征，通过所述多尺度卷积模块进行多感受野特征提取与拼接融合处理，得到多尺度融合特征，包括：

6.根据权利要求1所述的方法，其特征在于，所述基于所述历史多类支持样本的嵌入特征，确定类别原型，包括：

7.根据权利要求1所述的方法，其特征在于，所述根据所述类别原型与所述历史查询样本嵌入特征之间的距离关系，构建基于所述类别原型的三元组损失，包括：

8.根据权利要求1所述的方法，其特征在于，所述获取当前待诊断设备的传感信号数据，根据所述训练好的故障诊断模型，得到故障诊断结果，包括：

9.根据权利要求1所述的方法，其特征在于，在所述获取历史待诊断设备的传感信号数据之前，还包括：

10.一种设备故障诊断系统，其特征在于，所述系统包括：