余浩帅 汤宝平 张 楷 谭 骞 魏 静

重庆大学机械传动国家重点实验室，重庆，400044

0 引言

深度学习由于其强大的非线性特征自适应提取能力和表征能力而受到故障诊断等领域的广泛重视[1-2]，然而，基于深度学习的故障诊断方法达到较高准确率的前提是需要通过大量的有标签数据构建深层神经网络进行训练。在实际工程中，风电齿轮箱的故障数据标记依赖风场故障分析报告和专家结论，收集大量精准的有标签数据样本十分困难且代价昂贵，导致许多风场有标签故障样本稀小，传统深度学习网络在小样本情况下容易出现过拟合的问题，模型精度不高[3-4]。

近年来，部分学者已在小样本故障诊断领域开展了相关研究，并取得一定成果。DING等[5]利用生成式对抗网络(generative adversarial networks, GAN)通过随机噪声生成各类标签样本从而达到扩充数据的目的来解决标签样本过少的问题。ZHANG等[6]利用深度半监督网络通过大量的无标签样本辅助有标签样本获得分类性能更好的网络模型。但上述方法自身均存在不足和限制，如生成对抗网络模型训练困难，容易发生模型崩溃、生成器模型梯度消失等问题，而深度半监督方法无法确认无标签样本数量是否存在不平衡，并且由于模型超参数过多而难以获得最优模型。

原型网络(prototypical networks, ProNet)[7]是一种基于度量的小样本学习方法，该方法旨在学习各类样本在一个度量空间的原型表示，通过比较查询样本与各类原型的距离，将查询样本归入距离最近的类别，从而达到分类的目的。……