买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于Meta‑GraphSage网络的小样本故障诊断方法及系统。属于故障诊断技术领域。本发明方法包括故障数据集获取、Meta‑GraphSage故障诊断模型构建、Meta‑GraphSage故障诊断模型训练、故障诊断。其中Meta‑GraphSage故障诊断模型使用改进的GraphSage网络来提取特征以更好的处理邻居节点之间的动态交互和依赖关系；此外，元学习算法通过多个任务训练良好的初始化参数可仅使用少量样本快速准确适应新任务，并在此基础上执行一个或多个梯度调整步骤，以达到仅用少量数据快速适应新任务的目的。

主权项：1.一种基于Meta-GraphSage网络的小样本故障诊断方法，其特征在于，包括以下步骤：故障数据集获取：获取齿轮箱的故障数据集，并将所述故障数据集划分为训练集和测试集；Meta-GraphSage故障诊断模型构建：基于模型不可知元学习框架MAML构建Meta-GraphSage故障诊断模型，所述Meta-GraphSage故障诊断模型包括GraphSage网络；利用门控循环单元作为聚合函数对所述GraphSage网络中的节点状态进行更新；利用元学习策略对节点状态更新后的GraphSage网络中的网络初始参数进行学习；具体包括以下步骤：获取元学习任务的支持集和查询集；输入子任务Ti支持集S中所有样本的xi到GraphSage网络，输出向量y’i；利用交叉熵损失函数计算损失并通过梯度下降更新网络参数θ；其中，利用交叉熵损失函数计算损失并通过梯度下降更新网络参数θ，具体包括：第一阶段中，将学习率设置为α，Meta-GraphSage故障诊断模型的初始化参数θ经n,n∈[0,m]步梯度下降更新为 其中，表示此时子任务Ti的支持集的损失梯度；α表示梯度下降的学习率；损失函数在支持集数据S＝{xS,yS}中的具体数学表示为： 其中，为参数的内循环网络结构；xS和yS分别表示支持集的样本数据和样本标签；在经过第m步更新后，Meta-GraphSage网络参数更新为以下表达式： 其中，表示前一步的更新参数；表示表示此时子任务Ti的支持集的损失梯度；θ表示初始化参数；第二阶段，利用查询集Q＝{xQ,yQ}再次对模型进行优化，所有查询集任务的总损失值LMeta-GraphSage由下式表示： 其中，LMeta-GraphSage表示故障诊断模型预测值与真实值之间的差距，优化的目标是通过最小化总损失LMeta-GraphSage来找到对于每个子任务来说都适合的模型参数；表示所有任务查询集上的总损失；Meta-GraphSage故障诊断模型训练：利用训练集对构建好的Meta-GraphSage故障诊断模型进行训练；故障诊断：利用训练好的Meta-GraphSage故障诊断模型进行小样本故障诊断。

全文数据：

权利要求：

百度查询： 兰州理工大学 基于Meta-GraphSage网络的小样本故障诊断方法及系统