【技術實現步驟摘要】
本專利技術屬于故障診斷領域，具體涉及一種基于多類對比學習的零樣本故障診斷方法、系統及設備。
技術介紹
1、零樣本故障診斷是一種特殊的故障診斷任務，其主要目標是能夠在沒有目標故障樣本用于訓練的情況下進行故障識別。零樣本學習是一種學習策略，它允許模型在沒有特定類別樣本的情況下進行推理。模型依賴于共享的特征或屬性進行故障識別。通過理解和映射故障的屬性，模型能夠識別未見過的故障類別。在復雜的制造系統和設備中，零樣本故障診斷能夠幫助實時監測和診斷未曾遇到的故障。
2、相關技術中，在實際工業場景中，已知類別故障與未知類別故障的分布存在顯著的差異性，這導致僅使用已知類別故障訓練的診斷模型在識別未知類別故障時泛化能力不足。在工業零樣本故障診斷研究領域中，基于工藝機理和領域專家知識的故障描述作為連接已知類別故障和未知類別故障的公共知識橋梁，其中類-屬性矩陣是最常用的輔助知識表達形式之一。
3、針對上述相關技術，基于屬性遷移和類-屬性矩陣的嵌入式方法的診斷性能很大程度上依賴于類-屬性矩陣的質量，當前類-屬性矩陣的構建方式并未能充分評估屬性的重要性，這直接影響零樣本故障診斷模型的性能。
技術實現思路
1、本專利技術要解決的技術問題是提供一種基于多類對比學習的零樣本故障診斷方法、系統及設備，能夠準確的識別未知類別的故障類別。
2、一種基于多類對比學習的零樣本故障診斷方法，包括：
3、獲取故障描述文本；
4、采用預訓練語言模型從所述故障描述文本中提
5、將已知故障類別的故障原始樣本通過多尺度特征融合模型進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組；
6、將所述故障原型向量元組和所述多尺度融合故障特征元組進行多類對比學習，通過改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型；
7、將所有未知類別故障的故障描述文本輸入到優化預訓練語言模型中，得到未知類別的故障原型元組；
8、將待診斷故障樣本輸入到優化多尺度特征融合模型中，得到待診斷故障樣本的多尺度融合故障特征；
9、將所述待診斷故障樣本的多尺度融合故障特征與所述未知類別的故障原型元組進行相似度比較，選擇與待診斷故障樣本的多尺度融合故障特征相似度最高的未知類別的故障原型對應的故障類別作為診斷結果。
10、可選的，所述將已知故障類別的故障原始樣本通過多尺度特征融合模型進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
11、將所述已知故障類別的故障原始樣本輸入到兩個不同卷積核大小的并行卷積層中，得到第一局部故障特征和第二局部故障特征；
12、將所述第一局部特征和所述第二局部特征逐元素相加，得到多尺度相加特征；
13、將所述多尺度相加特征放入激活層和最大池化層后得到多尺度故障特征；
14、將所述多尺度故障特征進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組。
15、可選的，所述將所述多尺度故障特征進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
16、將所述多尺度故障特征進行通道注意力操作，得到通道注意力增強特征；
17、將所述通道注意力增強特征進行空間注意力操作，得到空間注意力增強特征；
18、將所述空間注意力增強特征經過鋪平層和全連接層后，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組。
19、可選的，所述將所述故障原型向量元組和所述多尺度融合故障特征元組進行多類對比學習，通過改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型包括：
20、將所述故障原型向量元組和所述多尺度融合故障特征進行多類對比學習，得到多尺度融合故障特征和所述故障原型向量元組的相似度；
21、獲取預設的損失函數；
22、根據所述損失函數，通過反向傳播算法改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型。
23、可選的，所述將所述待診斷故障樣本的多尺度融合故障特征與所述未知類別的故障原型元組進行相似度比較，選擇與待診斷故障樣本的多尺度融合故障特征相似度最高的未知類別的故障原型對應的故障類別作為診斷結果包括：
24、獲取未知類別的預設文本；
25、根據所述預設文本，得到所述未知類別的故障原型元組中每一個故障原型的故障類別；
26、計算所述待診斷故障樣本的多尺度融合故障特征與所述未知類別的故障原型元組中每一個未知類別的故障原型的相似度，選擇與待診斷故障樣本的多尺度融合故障特征相似度最高的故障原型對應的故障類別作為診斷結果。
27、可選的，包括：
28、所述損失函數為：
29、
30、其中，τ表示為溫度因子超參數，fi和pi分別表示為已知類別i的故障特征和故障原型，s(fi,pj)＝pjtfi，n為故障類別的類別數量，f為故障原型向量元組，p為多尺度融合故障特征元組，exp為指數。
31、一種基于多類對比學習的故障診斷系統，包括：
32、第一獲取模塊，用于獲取故障描述文本；
33、提取模塊，用于采用預訓練語言模型從所述故障描述文本中提取不同故障類別的故障原型向量特征，組成故障原型向量元組；
34、融合模塊，用于將已知故障類別的故障原始樣本通過多尺度特征融合模型進行雙通道注意力特征融合，得到若干不同故障類別的融合故障特征，組成多尺度融合故障特征元組；
35、訓練模塊，用于將所述故障原型向量元組和所述多尺度融合故障特征元組進行多類對比學習，通過改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型；
36、第二獲取模塊，用于將所有未知類別故障的故障描述文本輸入到優化預訓練語言模型中，得到未知類別的故障原型元組；
3本文檔來自技高網...
【技術保護點】
1.一種基于多類對比學習的零樣本故障診斷方法，其特征是，包括：
2.如權利要求1所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將已知故障類別的故障原始樣本通過多尺度特征融合模型進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
3.如權利要求2所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將所述多尺度故障特征進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
4.如權利要求1所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將所述故障原型向量元組和所述多尺度融合故障特征元組進行多類對比學習，通過改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型包括：
5.如權利要求1所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將
6.如權利要求4所述的基于多類對比學習的零樣本故障診斷方法，其特征是，包括：
7.一種基于多類對比學習的故障診斷系統，其特征是，包括：
8.如權利要求7所述的基于多類對比學習的故障診斷系統，其特征是，所述融合模塊包括：
9.一種終端設備，包括存儲器和處理器，其特征在于，所述存儲器儲存有能夠在處理器上運行的計算機程序，所述處理器加載并執行所述計算機程序時，采用如權利要求1至7中任一項所述的方法。
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機程序，其特征在于，所述計算機程序被處理器加載并執行時，采用如權利要求1至7中任一項所述的方法。
...【技術特征摘要】
1.一種基于多類對比學習的零樣本故障診斷方法，其特征是，包括：
2.如權利要求1所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將已知故障類別的故障原始樣本通過多尺度特征融合模型進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
3.如權利要求2所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將所述多尺度故障特征進行雙通道注意力特征融合，得到若干不同故障類別的多尺度融合故障特征，組成多尺度融合故障特征元組包括：
4.如權利要求1所述的基于多類對比學習的零樣本故障診斷方法，其特征是，所述將所述故障原型向量元組和所述多尺度融合故障特征元組進行多類對比學習，通過改變預訓練語言模型的模型參數和多尺度特征融合模型的模型參數，提高同一故障類別下多尺度融合故障特征與故障原型向量特征的相似度，降低不同類別下多尺度融合故障特征與故障原型向量特征的相似度，得到優化預訓練語言模型和優化多尺度特征融合模型包...
【專利技術屬性】
技術研發人員：劉金平，鐘添添，袁晟瑋，蔣嘉豪，李興旺，湯浩楠，李婧妍，陳晟，
申請(專利權)人：湖南師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。