[发明专利]一种基于两级迁移学习的多源异构信息融合故障诊断方法

权利要求书

1.一种基于两级迁移学习的多源异构信息融合故障诊断方法，其特征在于，其步骤如下：

步骤一：利用ImageNet数据集中的自然图像对VGG16网络进行训练，得到VGG16模型及其网络参数P_VGG16；

步骤二：将监控截屏图像输入步骤一中的VGG16模型，利用VGG16模型和网络参数P_VGG16对监控截屏图像进行特征提取，得到监控截屏图像的特征F_2D；

步骤三：构建深层神经网络模型，并利用监控截屏图像的特征对深层神经网络模型进行训练，得到深层神经网络模型的编码网络参数和解码网络参数；

步骤四：将监控截屏图像的特征输入到训练后的深层神经网络模型中获取深层神经网络模型的抽象特征，利用深层神经网络模型的抽象特征训练深层神经网络模型的Softmax分类器，得到深层神经网络模型的Softmax分类器的参数，再采用有监督的反向传播算法对深层神经网络模型的编码网络参数、解码网络参数和Softmax分类器的参数进行微调优化，得到故障诊断模型DNN_s以及DNN_s对应的编码网络参数、解码网络参数和Softmax分类器的参数；

步骤五：建立迁移融合网络，且迁移融合网络与故障诊断模型DNN_s的网络结构相同，并利用故障诊断模型DNN_s对应的编码网络参数、解码网络参数和Softmax分类器的参数对迁移融合网络进行参数初始化；

步骤六：利用一维序列信号样本对初始化后的迁移融合网络进行训练，得到迁移融合网络的编码网络参数和解码网络参数；

步骤七：通过将一维序列信号样本输入训练后的迁移融合网络中获取迁移融合网络的抽象特征，利用迁移融合网络的抽象特征对迁移融合网络的Softmax分类器进行训练，得到迁移融合网络的Softmax分类器的参数，再采用有监督的反向传播算法对迁移融合网络的编码网络参数、解码网络参数和Softmax分类器的参数进行微调优化，得到迁移融合模型DNN_t；

步骤八：采集t时刻的一维序列信号x_1D,online(t)，并将一维序列信号x_1D,online(t)输入迁移融合模型DNN_t进行识别，输出一维序列信号x_1D,online(t)的故障类别。

2.根据权利要求1所述的基于两级迁移学习的多源异构信息融合故障诊断方法，其特征在于，所述监控截屏图像的特征F_2D的获得方法为：

F_2D＝G_2D(VGG16,P_VGG16,X_2D)

其中，X_2D表示监控截屏图像，G_2D(·)表示特征提取函数。