本发明涉及机械故障诊断领域，具体涉及基于改进的模型无关元学习的样本有限条件下跨域轴承故障诊断方法。
背景技术：
1、在现代工业领域，轴承作为旋转机械的重要部件已在高速列车、航空航天、电力等领域发挥着至关重要的作用。因此，故障诊断方法要应对更加苛刻的诊断场景：(1)故障数据的不足：对于关键的机械设备而言，其安全性和稳定性较高，并且通常在较长的时间内处于健康状态，因此很难收集故障状态数据，并且需要在有限的样本数量下完成诊断任务。(2)工况的多变性：生产任务多种多样，需要从不同机械或同一机械设备在不同工况下(如转速、负载等)收集数据，以完成特定类型的诊断任务。
2、近年来，随着深度学习技术的快速发展，深度学习模型也被应用于智能故障诊断领域从而实现方便、高效、准确的监测与诊断，而不在依赖专家经验和人工特征提取操作。然而，大多数深度学习方法的成功依赖于大量具有标记且与测试数据同分布的训练数据。显然，在实际工程场景中，长期处于健康工作状态下的机械设备无法满足这种数据需求。迁移学习可以有效地减小不同工况之间的数据分布差异，从一个任务中学习知识，然后将学到的知识转移到不同但相似的任务中，为解决上述的条件限制提供了一个思路。但在样本极少的情况下迁移学习算法容易出现负迁移，而且迁移之前的网络是为了易于泛化而进行训练的，迁移学习只是“偶然”起作用，因此可能不是最优的。
技术实现思路
1、本发明目的是为了解决实际工业环境中无法获得足够的故障信号、机械设备的工作条件复杂多变而导致的故障诊断准确率低的问题，而提出了基于改进的模型无关元学习的少样本跨域轴承故障诊断方法和系统。
2、基于改进的模型无关元学习的少样本跨域轴承故障诊断方法具体过程为：
3、获得少量待诊断的轴承原始振动信号，计算轴承原始振动信号的自相似性将其转换为二维递归图，对二维递归图应用基于改进的模型无关元学习的轴承故障诊断方法获得轴承故障类型的诊断结果；
4、轴承故障诊断方法通过以下方式获得：
5、步骤一、获取轴承原始振动信号，并计算轴承原始振动信号的自相似性将其转换为二维递归图，划分为支持集和查询集；
6、步骤二、改进模型无关元学习方法，将训练调控变量加入到内环训练过程中；
7、步骤三、构建基于并行协同注意力的特征编码器；
8、所述特征编码器由以下模块依次连接组成：二维卷积模块、并行协同注意力模块、全连接层；
9、所述二维卷积模块用于提取振动信号二维递归图的局部故障特征；
10、所述并行协同注意力模块用于同时提取长度、宽度、通道多个维度之间的通用诊断知识；
11、所述全连接层用于对并行协同注意力模块输出的故障特征进行分类；
12、步骤四、分别利用支持集和查询集在元学习的内环和外环训练步骤三构建的基于并行协同注意力的特征编码器，获得训练好的基于并行协同注意力的特征编码器；
13、步骤五、利用其他工况下的跨域振动信号测试步骤四获得的训练好的基于并行协同注意力的特征编码器，获得少样本跨域轴承故障诊断方法。
14、进一步地，所述步骤一包括以下步骤：
15、首先，设置样本提取参数采集轴承原始振动信号，获得少量样本；
16、然后，计算信号的自相似性转换为二维递归图，随机选取少量处理后的样本划分为支持集和查询集，并分别设定类别标签。
17、进一步地，所述步骤二中改进的模型无关元学习方法的参数优化过程为：
18、
19、其中，θ是基于并行协同注意力的特征编码器的初始参数，θi″是内环训练后更新的参数，δ是训练调控变量，α和β分别是内环、外环学习率，lti是任务损失。
20、进一步地，所述步骤三中的二维卷积模块的输出，如下式：
21、f＝maxpooling(bn(relu(conv(x)))) (4)
22、其中，f是二维卷积模块的输出，x是二维卷积模块的输入，maxpooling()是最大池化操作，bn()是批归一化，relu是激活函数，conv()是卷积操作。
23、进一步地，所述步骤三中的并行协同注意力模块的输出，如下式：
24、
25、其中，是聚合另外两个空间维度的特征映射，是两种通道特征统计数据，μ、ω是可训练的浮动参数，是注意力权重，f′w、f′h、fc′是宽度、高度、通道三个维度的增强特征映射，f′是并行协同注意力模块输出的最终特征映射。
26、进一步地，所述方法通过adam优化器更新网络参数，具体为：
27、
28、其中，θt是t时刻的网络参数，θt+1是t+1时刻的网络参数，α是学习率，是梯度的一阶矩估计，是梯度的二阶矩估计，ε是一个很小的正值。
29、基于改进的模型无关元学习的少样本跨域轴承故障诊断系统，其特征在于：所述系统包括：数据采集与提取模块、数据处理和划分模块、特征编码器搭建模块、改进的模型无关元学习训练模块、测试模块、故障状态识别模块；
30、所述数据采集与提取模块用于提取少量样本即轴承的原始振动信号；
31、所述数据处理和划分模块用于计算原始振动信号自相似性将其转换为二维递归图，划分为支持集和查询集；
32、所述特征编码器搭建模块用于搭建基于并行协同注意力的特征编码器；
33、所述改进的模型无关元学习训练模块用于利用支持集和查询集训练基于并行协同注意力的特征编码器，获得训练好的特征编码器；
34、测试模块用于利用其他工况下的跨域振动信号测试训练好的基于并行协同注意力的特征编码器；
35、故障状态识别模块用于识别轴承原始振动信号并诊断出轴承故障类型。
36、本发明的有益效果为：
37、本发明提出计算信号的自相似性处理原始振动信号，获得了特征丰富且对工况变化不敏感的训练数据。本发明改进模型无关元学习方法，在内环训练过程中加入训练调控变量来优化训练过程。本发明构建基于并行协同注意力的特征编码器，同时对长度、宽度、通道多个维度对注意力进行建模，有效地提取诊断知识。提高少样本跨域条件下的故障诊断精度，更加符合实际工业场景。
1.基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于所描述方法具体过程为：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号进行自相关性计算转换为二维递归图，将二维递归图应用于轴承故障诊断方法获得轴承故障类型的诊断结果；
2.根据权利要求1所述的基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于：所述步骤一包括以下步骤：
3.根据权利要求2所述的基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于：所述步骤二中改进的模型无关元学习方法的参数优化过程为：
4.根据权利要求3所述的基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于：所述步骤三中的二维卷积模块的输出，如下式：
5.根据权利要求4所述的基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于：所述步骤三中的并行协同注意力模块的输出，如下式：
6.根据权利要求5所述的基于改进的模型无关元学习的少样本跨域轴承故障诊断方法，其特征在于：所述方法通过adam优化器更新网络参数，具体为：
7.基于改进的模型无关元学习的少样本跨域轴承故障诊断系统，其特征在于：所述系统包括：数据采集与提取模块、数据处理和划分模块、特征编码器搭建模块、改进的模型无关元学习训练模块、测试模块、故障状态识别模块；
