[發明專利]一種基于遷移學習的設備集群跨域故障預測方法及系統

有效

• 申請號: 202110758972.7
• 申請日: 2021-07-05
• 公開（公告）號: CN113342476B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 彭衛文;歐陽孔雷;黃承賡;韓瑜;古博
• 申請（專利權）人: 中山大學
• 主分類號: G06F9/455
• 分類號: G06F9/455;G06F18/214;G06N3/0464;G06N3/084
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 高冰

1.一種基于遷移學習的設備集群跨域故障預測方法，其特征在于，包括以下步驟：

基于傳感器采集源域和目標域中設備的信號，得到原始監測數據；

基于連續異常點檢測方法對原始監測數據進行初識別，得到早期故障節點；

對原始監測數據中早期故障節點后的數據進行信號校準和特征提取處理，得到故障特征集；

基于故障特征集對預構建的域自適應遷移學習MLP-DCNN雙神經網絡進行訓練，所述預構建的域自適應遷移學習MLP-DCNN雙神經網絡包括多層全連接網絡和深度卷積神經網絡；

將故障特征集中源域和目標域的1-D時序特征融合，得到融合時序特征；

將故障特征集中源域和目標域的2-D時頻譜特征融合，得到融合時頻譜特征；

以融合時序特征作為多層全連接網絡的輸入，以融合時頻譜特征作為深度卷積神經網絡的輸入，得到輸出雙重子網絡的輸出特征；

將雙重子網絡的輸出特征進行連接，并基于自適應優化算法反向傳播迭代更新訓練神經網絡參數，得到預測模型；

實時采集目標域設備的時頻域數據并輸入到預測模型，實現故障檢測。

2.根據權利要求1所述一種基于遷移學習的設備集群跨域故障預測方法，其特征在于，所述基于傳感器采集源域和目標域中設備的信號，得到原始監測數據這一步驟，其具體包括：

在受控的實驗室環境中對設備運行到失效并持續采集數據，得到源域設備的監測數據；

采集另一設備集群的少量標簽或無標簽的小樣本監測數據，得到目標域設備的檢測數據；

整合得到原始監測數據。

3.根據權利要求2所述一種基于遷移學習的設備集群跨域故障預測方法，其特征在于，所述基于連續異常點檢測方法對原始監測數據進行初識別，得到早期故障節點這一步驟，其具體包括：

采用基于峰值度量的連續異常點故障檢測方法對原始監測數據進行處理，識別出健康狀態和退化狀態的拐點，即早期故障節點；

根據早期故障節點確定第一預測時間。

4.根據權利要求3所述一種基于遷移學習的設備集群跨域故障預測方法，其特征在于，所述基于連續異常點檢測方法對原始監測數據進行初識別具體采用判別函數識別，所述判別函數表示為：

{|k_t-j-μ|＞3σ}_{i＝0,1,2,3,4}

上式中，k_t-j表示(t-j)的原始峰值度量序列，μ和σ分別表示峰值度量的均值和方差，i＝0,1,2,3,4表示連續5個監測點，時間參數t被定義為觸發故障預測算法的第一預測時間。

5.根據權利要求3所述一種基于遷移學習的設備集群跨域故障預測方法，其特征在于，所述對原始監測數據中早期故障節點后的數據進行信號校準和特征提取處理，得到故障特征集這一步驟，其具體包括：

對原始監測數據中第一預測時間后的信號進行比對，并校準源域和目標域中采樣信號序列的尺度；

以原始監測數據中的1-D時間序列作為第一類故障特征；

基于連續小波變換將原始監測數據的1-D時間序列轉換成2-D系數矩陣，得到第二類故障特征；

整合第一類故障特征和第二類故障特征，得到故障特征集。

6.一種基于遷移學習的設備集群跨域故障預測系統，其特征在于，包括：

數據獲取模塊，基于傳感器采集源域和目標域中設備的信號，得到原始監測數據；

初識別模塊，對原始監測數據進行處理，識別得到早期故障節點；

故障特征提取模塊，用于對原始監測數據中早期故障節點后的數據進行信號校準和特征提取處理，得到故障特征集；

訓練模塊，基于故障特征集對預構建的域自適應遷移學習MLP-DCNN雙神經網絡進行訓練，所述預構建的域自適應遷移學習MLP-DCNN雙神經網絡包括多層全連接網絡和深度卷積神經網絡；將故障特征集中源域和目標域的1-D時序特征融合，得到融合時序特征；將故障特征集中源域和目標域的2-D時頻譜特征融合，得到融合時頻譜特征；以融合時序特征作為多層全連接網絡的輸入，以融合時頻譜特征作為深度卷積神經網絡的輸入，得到輸出雙重子網絡的輸出特征；將雙重子網絡的輸出特征進行連接，并基于自適應優化算法反向傳播迭代更新訓練神經網絡參數，得到預測模型；

故障檢測模塊，用于實時采集目標域設備的時頻域數據并輸入到預測模型，實現故障檢測。