一种判别式的广义零样本学习故障诊断方法与流程

技术特征：
1.一种判别式的广义零样本学习故障诊断方法，其特征在于，利用已见类故障样本和故障语义描述信息训练模型，在测试阶段实现对已见类故障和未见类故障进行分离，完成分离后判别为已见类故障的样本用监督学习的方法来完成分类，判别为未见类故障的样本用零样本学习的方法完成分类；其中判别器的设计步骤如下：1)数据采集已见类故障数据集为：其中表示特征空间的第i个样本；y
i
∈y
s
，代表第i个样本对应的故障类别，y
s
代表已见类故障标签的集合，y
u
代表已见类故障标签的集合，其中的集合，其中表示第i个样本对应的语义空间的语义描述，其中已见类故障语义描述的集合是a
s
，未见类故障语义描述的集合是a
u
，其中n
s
代表已见类故障样本的数量，和分别代表n维和m维实数空间；对采集的数据先进行小波降噪再进行数据归一化；2)训练条件生成模型用已见类故障数据集s来训练条件变分自编码器得到生成器g(h,a)，h和a为生成器的输入，h向量的各个元素服从均值为0，方差为1的标准正态分布，记h～n(0,i)，保证样本生成的多样性，a为故障类别的语义描述信息，生成器的输出为3)生成伪样本用训练好的生成器g(h,a)通过a故障类别的不同来生成伪已见类故障数据集合其中输入到生成器的故障语义描述a∈a
s
，生成伪未见类故障数据集合其中输入到生成器的故障语义描述4)训练二分类器得到和后再和真实的已见类故障样本集x
s
一起训练一个二分类器，其中x
s
和为已见类，为未见类，生成是为了平衡的样本数量，训练好的判别器用于在测试阶段已见类故障和未见类故障的判别。2.根据权利要求1所述的一种判别式的广义零样本学习故障诊断方法，其特征在于，步骤2)中a为故障类别的语义描述信息，描述为：温度异常，压强异常，湿度正常，流速正常，描述为向量时异常为“1”，正常为“0”，则a＝[1,1,0,0]，此时的语义描述就是“0”，“1”的二值描述；若二值描述不能描述等级差异的故障，用0
‑
9这10个等级来描述对应等级的异常程度，其中“0”表示正常，1
‑
9表示异常程度逐渐递增，这时的语义描述就是连续值描述。3.根据权利要求1所述的一种判别式的广义零样本学习故障诊断方法，其特征在于，步骤2)中将故障类别的语义描述信息a作为约束条件来训练条件变分自编码器，其中条件变分自编码器包括：全连接层和激活层。4.根据权利要求1所述的一种判别式的广义零样本学习故障诊断方法，其特征在于，步骤3)用生成模型将已见类故障和未见类故障在语义描述空间中的差异来反映到已见类故障和未见类故障在特征空间中的差异。

技术总结
本发明公开了一种判别式的广义零样本学习故障诊断方法，属于机器学习算法技术领域，用于解决不能同时对已见类故障（建立模型时用到的故障类别，即有样本的）和未见类故障（未参与模型建立的故障类别，即零样本的）进行分类的问题。在故障分类前先对故障样本进行已见类故障和未见类故障的判别，如果是已见类故障，那么就用监督学习的方法进行分类，如果是未见类故障，就用零样本学习的方法进行分类。通过引入判别器实现同时对已见类故障和未见类故障进行分类。本发明具有可解释性强、鲁棒性好、易实现等优点，可利用于广义零样学习的实际应用。用。用。


技术研发人员：李祖欣 黄嘉诚 周哲
受保护的技术使用者：湖州师范学院
技术研发日：2021.07.01
技术公布日：2021/11/4