[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

说明书

本发明提出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，其步骤为：首先，利用训练好的VGG16模型提取监控截屏图像的特征，并以监控截屏图像的特征为输入得到深层神经网络模型；其次，建立迁移融合网络，并将深层神经网络模型的网络参数迁移到迁移融合网络；再利用一维序列信号样本对迁移融合网络进行训练，得到迁移融合模型；最后，利用迁移融合模型对实时采集的一维序列信号进行识别，输出一维序列信号的故障类别。本发明提出两级迁移机制，通过两级迁移将多源异构信息进行融合，既能融合一维序列信号和截屏图像的特征以提高故障诊断的精度，又能避免了卷积运算，降低了时间复杂度，提高了故障诊断的实时性，达到实时故障诊断的目的。

技术领域

本发明涉及故障诊断技术领域，特别是指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。

背景技术

实际的设备监控中，对于关键传感器实施重点监控，利用监控中心监视器呈现某些关键传感器采集数值的动态变化曲线，这些监控截屏可以呈现一段时间内振动信号振幅和变化趋势，所以获取到的数据既有一维的信号序列又有二维截屏图像。如果仅利用多源异构数据中的一类数据进行深度学习故障诊断势必会造成其他数据所包含信息的浪费，进而会影响故障诊断的精确性。现有的融合方法分别使用深度神经网络和卷积神经网络提取多源异构特征再融合，达到提高故障诊断精度的目的。但是基于卷积神经网络的故障诊断方法需要进行大量卷积运算获得故障图像特征，然而卷积运算时间复杂度高，不能保证故障诊断的实时性。

发明内容

针对多源异构信息和外领域数据充分利用时面临的故障诊断算法实时性差的问题，本发明提出了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，通过两级迁移将多源异构信息进行融合，既能融合二维图像的特征以提高故障诊断的精度，又能避免卷积运算提高了故障诊断的实时性，达到实时故障诊断的目的。

本发明的技术方案是这样实现的：

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；