[發明專利]基于遷移學習的旋轉多組件退化耦合影響評估方法及系統

有效

• 申請號: 202210929929.7
• 申請日: 2022-08-04
• 公開（公告）號: CN115186597B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 鄧耀華;邵志鋒;盧綺雯;楊杰
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/213;G06F18/2415;G06N3/0442;G06N3/08;G06N20/10;G06F119/04
• 代理公司: 佛山粵進知識產權代理事務所(普通合伙) 44463
• 代理人: 耿鵬

1.一種基于遷移學習的旋轉多組件的退化耦合影響評估方法，其特征在于，包括以下步驟：

獲取目標旋轉組件的退化數據，根據所述退化數據提取高級退化特征數據，構成目標域測試樣本集，根據旋轉組件獨立加速退化實驗數據提取高級退化特征，構成源域訓練樣本集；

對所述目標域測試樣本集進行域自適應，最小化不同域之間的特征分布距離；

基于LSTM網絡構建旋轉組件退化曲線預測模型，通過源域訓練樣本進行初始化訓練，通過訓練后的退化曲線預測模型預測出耦合關聯組件處于健康狀態運行工況下的目標旋轉組件的退化曲線C1以及多組件退化耦合影響下的目標旋轉組件的退化曲線C2；

計算退化曲線C1及C2的相似性，通過動態時間規整相似性，評估目標旋轉組件退化耦合影響；

通過旋轉組件退化曲線預測模型，輸入退化數據A特征適配后的目標域樣本集以及退化數據B特征適配后的目標域樣本集，分別預測出耦合關聯組件處于健康狀態運行工況下的目標旋轉組件的退化曲線C1以及多組件退化耦合影響下的目標旋轉組件的退化曲線C2；

利用動態時間規整算法計算退化曲線C1，C2的相似性，將退化曲線C1記為，退化曲線C2記為，則匹配路徑記為：

；

；

其中，退化曲線是由多個預測點組成的時序軌跡，，分別表示退化曲線C1，C2按時序排列的第一個預測點，，分別表示退化曲線C1，C2按時序排列的最后一個的預測點，分別為退化曲線C1，C2的長度，分別為退化曲線C1，C2的下標，為匹配路徑的集合，。

2.根據權利要求1所述的一種基于遷移學習的旋轉多組件的退化耦合影響評估方法，其特征在于，所述退化數據的來源包括當前采集數據及歷史運行數據；

獲取實際工況下，耦合關聯組件處于健康狀態運行下的目標旋轉組件的退化數據A，記為目標域A，；

獲取在實驗室測試環境下，旋轉組件獨立加速退化實驗數據，其中包括退化狀態標簽，記為源域，；

獲取實際工況下，多組件退化耦合影響下的目標旋轉組件的退化數據B，記為目標域B，；

其中，表示目標域A的退化數據集，表示目標域A的退化數據集中的樣本，表示源域的退化數據集，表示源域的退化數據集中的樣本，表示目標域B的退化數據集，表示目標域B的退化數據集中的樣本，，，分別表示目標域A，源域，目標域B的退化數據集中樣本的序號，、、分別表示目標域A，源域，目標域B的退化數據集中的樣本個數；

從旋轉組件獨立加速退化實驗數據中提取高級退化特征，得到的特征構成源域訓練樣本集，對應所述退化狀態標簽，記為；

提取退化數據A及退化數據B的高級退化特征數據，構成目標域樣本集，分別記為，。

3.根據權利要求2所述的一種基于遷移學習的旋轉多組件的退化耦合影響評估方法，其特征在于，對目標域測試樣本集進行域自適應，域自適應學習源域和目標域之間的域不變特征；

將由目標域A提取出的高級退化特征與源域提取出的高級退化特征進行特征遷移，以及將目標域B提取出的高級退化特征與源域提取出的高級退化特征進行特征遷移，分別完成兩域之間的遷移；

通過計算源域與目標域的概率分布之間的距離的最大平均差異進行分布差異判斷，最小化不同域之間的特征分布距離，構建優化對象，即目標域A和源域的分布差異損失：

；

其中，表示提取數據特征時所使用的核函數的集合，表示概率分布之間的距離的最大平均差異。

4.根據權利要求1所述的一種基于遷移學習的旋轉多組件的退化耦合影響評估方法，其特征在于，基于LSTM網絡構建旋轉組件退化曲線預測模型，具體為：

構建單層LSTM結構作為旋轉組件退化曲線預測模型，將源域訓練樣本集輸入到LSTM網絡，通過遺忘門，記憶門，輸出門控制傳輸狀態；

所述LSTM網絡有N個LSTM單層結構單元，當前單元的輸出值受上一個LSTM單層結構單元的輸出值的影響；

旋轉組件退化曲線預測模型的損失函數為源域性能退化觀測值與估計值之間的預測損失，通過平均絕對誤差來定義預測誤差：

；

其中，表示源域中的樣本個數，、分別表示來自源域的觀察到的退化狀態值和估計的退化狀態值；

通過折衷系數對旋轉組件退化曲線預測模型的損失函數進行優化。