1.一种基于深度原型网络的少样本轴承故障诊断方法，其特征在于，包括以下步骤：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；

查询集判别分类：将支持集原型应用到查询集的判别分类中，查询集包含已知故障类别的目标标记样本；

查询集样本聚合：构造原型损失，减小查询集样本到相应原型的特征距离；

测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量，如果测试集样本到原型的特征距离小于对应的决策距离，则该测试集样本与该原型属于同一故障类别；如果测试集样本到任意原型的特征距离大于所有类别的决策距离，则该测试集样本为未知故障类别样本；

所述支持集原型计算的步骤，包括：

步骤(1)，假设支持集有k个故障类别：在k‑means++聚类算法中，随机选取k个样本作为初始聚类中心C＝{c1,c2,...,ck}，即原型；

s

步骤(2)，对于支持集中的每个样本x，计算其到k个聚类中心的距离，并将每个样本分配到距离最小的聚类中心对应的聚类中；

步骤(3)，k个聚类形成后，利用 重新计算每个类的聚类中心；

步骤(4)，重复样本分配过程和计算过程至聚类中心位置不变；

所述查询集判别分类的步骤，包括：

步骤(1)，度量查询集样本到原型特征距离的度量为：其中，d(·,·)表示欧几里得距离；

步骤(2)，基于Softmax函数，将属于每个原型的各查询集样本基于特征距离的先验概率定义为：q

其中， 表示标签，表示查询集样本x 属于原型ci，γ是一个超参数用来控制从距离到概率的转换难度，E(·)为特征提取器的输出；

步骤(3)，结合交叉熵函数，总判别损失表示为：所述查询集样本聚合的步骤，包括：

步骤(1)，第i类的原型损失 定义为：其中，i∈{1,2,…,k}， 表示类i中查询集样本的数量；

步骤(2)，总原型损失定义为：

步骤(3)，在查询集样本聚合后，计算查询集样本到每个聚类中对应原型的平均距离作为决策距离D＝{d1,d2,...,dk}，并在测试集中使用，第i类的决策距离di计算为：其中，θ是控制决策距离的权衡参数；

步骤(4)，将判别损失和原型损失相结合，所提模型的总损失定义为：dis pl

Ltotal＝L +λ*L

其中，λ为平衡判别损失和原型损失的权衡参数，通过最小化训练过程中的总损失，所提模型的特征提取器的参数将通过反向传播进行更新。