(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111497754.9 (22)申请日 2021.12.09 (71)申请人 上海海事大学 地址 201306 上海市浦东 新区临港新城 海 港大道15 50号 (72)发明人 周福娜　李凌　胡雄　贾鹏鹏　 王天真　 (74)专利代理 机构 上海互顺专利代理事务所 (普通合伙) 31332 代理人 成秋丽 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 50/04(2012.01) G06F 16/2458(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于元学习的变 工况故障诊断方法 (57)摘要 本发明公开了一种基于元学习的变工况故 障诊断方法， 以解决传统深度学习进行故障诊断 时面临的无法适应新工况导致分类精度低、 泛化 性能差的问题。 本发明提出了一种学会学习机 制， 离线训练时多个机构并行训练， 将网络模型 参数和损失值上传至联邦中心， 联邦中心根据损 失值决定参数聚合时机构所占的权重， 建立联邦 模型学习出联邦聚合策略； 基于元学习方法， 在 线检测时， 将变工况下采集到的数据分发给各机 构， 联邦中心利用学习到的联邦策略快速建模学 习出新的联邦模 型进行故障诊断， 充分利用先验 知识对新任务进行指导， 实现学会联邦， 更具有 实时性、 精确性。 权利要求书2页 说明书8页 附图1页 CN 114169552 A 2022.03.11 CN 114169552 A 1.一种基于元 学习的变工况故障诊断方法， 其特点包括以下步骤： S1、 在离线训练 阶段， 选取同一种工况下的数据建立数据集， 所述数据集包括支持集和 查询集， 为 一维序列数据； 所述步骤S1包 含以下步骤： S1.1、 选取不同故障类型的轴承一维序列样本， 并设置不同故障类型的标签； S1.2、 对步骤S1.1所述的各机构数据按照一定的比例划分为支持集和查询集， 其中支 持集分发给 各机构； S2、 各机构通过支持集并行训练网络参数， 并上传至联邦中心学习聚合策略； 所述步骤S2包 含以下步骤： S2.1、 联邦中心初始化 参数θ1， 并下发给 各机构； S2.2、 各机构中的支持集并行训练网络参数； 当n＝1时， 如公式(1) ‑(3)所示： 其中有i个机构参与联邦， 表示第j个机构支持集中输入的一维序列数据， n表示机构与联邦中心交 互次数。 S2.3、 各机构上传给联邦中心 联邦中心将聚合后的参数θ2下发给步骤S1.2 中所述的查询集； 如公式(4)所示： S2.4、 若网络参数在查询集中精度达到阈值则退出训练阶段， 否则进行一次反向传播 微调， 如公式(5)所示， 再发送参数至各机构的支持集并行训练； S2.5、 当n ＝N时， 各机构支持集并行训练网络参数， 如公式(6) ‑(8)所示： S2.6、 重复步骤S2.3～S2.5直至退 出训练阶段；权　利　要　求　书 1/2 页 2 CN 114169552 A 2S3、 退出训练阶段时， 得到各机构聚合时的权值βj作为元知识； 如公式(9)所示： S4、 在测试阶段各机构采集到新的样本后， 并行训练网络参数， 基于先验知识快速建立 新的联邦模型； 所述步骤S4包 含以下步骤： S4.1、 将在线采集到的新样本分为支持集和查询集， 为一维序列数据， 其中支持集分发 给各机构； S4.2、 联邦中心根据训练阶段的网络结构初始化 参数θ′1； S4.3、 各机构的支持集并行训练网络参数； 当n＝1时， 如公式(10)～(12)所示： 其中网络参数 S4.4、 各机构将本地训练好的参数 上传至联邦中心； S4.5、 联邦中心基于元知识进行聚合， 快速建立新的联邦模型， 将聚合后的参数再下发 给各机构； 如公式(13)所示： S4.6、 当n ＝N时， 各机构支持集并行训练网络参数， 如公式(14) ‑(16)所示： S4.7、 各机构重复步骤S5中的S5.4～S5.6； S5、 通过步骤S4.1中所述的查询集测试联邦中心下发的网络参数进行故障诊断， 并得 到分类精度。权　利　要　求　书 2/2 页 3 CN 114169552 A 3