[發明專利]基于元遷移學習的復雜工況下的旋轉機械故障診斷方法

有效

• 申請號: 202110638205.2
• 申請日: 2021-06-08
• 公開（公告）號: CN113469219B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 李忠燚;王雷敏;萬雄波
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于元遷移學習的復雜工況下的旋轉機械故障診斷方法，其特征在于，包括以下步驟：

S1、采集不同狀態下機械設備原始傳感器信號，并制作圖像數據集；

S2、將數據集按照1：1比例劃分成訓練集、驗證集；

S3、選擇深層卷積網絡VGG-16作為預訓練模型，在自然圖像數據集ImageNet上完成訓練學習；

S4、采用元學習方法對遷移學習中存在的參數遷移參數初始化問題進行改進，分別得到針對多源域和半監督域自適應問題的參數初始化優化方法；

S4中所述針對多源域自適應問題的參數初始化優化方法為：

(a)在多源域自適應設置中，將可用的源域分成不相交的元訓練和元測試域兩者都具有標簽，DS為源域，為元訓練域，為元測試域；

(b)讓成為無監督的定義域方法，并要求它從元訓練領域調整到未標記的元測試領域，模型損失記為

(c)在外環中，使用元測試域的標簽數據作為驗證集，通過監督損失來評估自適應性能；

(d)在完整的源域集合和真正的未標記的之間，使用學習到的初始條件來實例化相同的UDA算法：

(e)對外部監督損失采取梯度下降步驟來優化初始條件，得到的Θ₀在所有源域之間進行自適應，同時適應目標域，D_T表示源域標記數據和目標域未標記數據；

交替執行公式的元優化步驟和公式(2)中最終的無監督領域適應問題的步驟來執行在線元學習操作，迭代

其中，Θ為算法訓練模型，模型損失記為為元內環損失，α為步長調整因子，為元測試域，Θ₀為元梯度；

S5、利用VGG-16網絡參數并采用S4提出的元學習優化方法初始化Meta-TCNN故障診斷模型；

S6、對Meta-TCNN故障診斷模型參數采用微調策略進行更新；

S7、使用訓練集對Meta-TCNN模型進行訓練；直至最終分類正確率不再有明顯提升時，終止訓練；

S8、用驗證集對完成訓練的Meta-TCNN模型進行驗證，將參數優化完全的模型應用到故障診斷的任務中。

2.根據權利要求1所述的基于元遷移學習的復雜工況下的旋轉機械故障診斷方法，其特征在于，所述S1具體如下：

使用原始數據拼接法將一維原始信號轉換成二維時頻分布圖像，再通過數據擴充得到對應的三通道時頻圖像，得到圖像數據集。

3.根據權利要求1所述的基于元遷移學習的復雜工況下的旋轉機械故障診斷方法，其特征在于，S6所述參數微調策略為：鎖定Meta-TCNN故障診斷模型的低層三個卷積模塊不參與更新，只對高層兩個卷積模塊以及全連接模塊進行參數更新。

4.根據權利要求1所述的基于元遷移學習的復雜工況下的旋轉機械故障診斷方法，其特征在于，優化初始條件的元學習問題是一個雙層優化問題，描述為：

其中，表示基本任務特定算法在其訓練集上的標準損失，表示當從外部優化設置的初始條件開始時，優化后的驗證集損失，為元測試域，為元訓練域。

5.根據權利要求4所述的基于元遷移學習的復雜工況下的旋轉機械故障診斷方法，其特征在于，梯度下降的方法為：

(a)在優化內循環之前，將參數Θ₀復制為并在內層算法中使用

(b)完成內循環后，得到和Θ₀之間的最短路徑梯度：

(c)近似每個元梯度步長為

其中，為完成內循環后元梯度，Θ₀為前步元梯度復制值，α為步長調整因子，為元驗證域。