[发明专利]基于元迁移学习的复杂工况下的旋转机械故障诊断方法

说明书

基于元迁移学习的复杂工况下的旋转机械故障诊断方法，采集不同状态下机械设备原始传感器信号，并制作图像数据集；将数据集划分成训练集、验证集；选择深层卷积网络作为预训练模型，在ImageNet上完成训练学习；采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；利用VGG‑16网络参数并采用元学习优化方法初始化Meta‑TCNN故障诊断模型；对Meta‑TCNN参数采用微调策略进行更新；使用训练集对Meta‑TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；用验证集对完成训练的Meta‑TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。本发明增加了故障诊断方法的适用范围且降低了成本。

技术领域

本发明涉及能制造业技术领域，尤其涉及基于元迁移学习的复杂工况下的旋转机械故障诊断方法。

背景技术

在智能制造、工业大数据、工业4.0融合创新的驱动下，现代产业正在经历一场从传统制造业到法智能制造业的新革命。而机械设备作为这场革命中最重要的角色之一，对其的退化和故障做出准确的判断和及时的响应是至关重要的。最近几年，深度学习也掀起了智能故障诊断的浪潮。目前流行的基于深度学习的诊断模型包括深度自动编码器、深度置信网络、递归神经网络和卷积神经网络(CNN)。

但是目前深度学习的成功依赖于大量故障样本数据来训练模型。但是在故障诊断领域，大量的数据采集和标记数据需要大量的人力，从而导致成本太高；机械设备所处环境(例如有毒，高温和高压)下的数据收集会导致操作人员存在生命风险；设备出现故障所需时间较长，导致故障数据有限且获得周期太长。

此外，在故障诊断或预测中，基于CNN的大多数方法都需要假设训练数据和测试数据具有相同的数据分布。在实际工业场景中，由于设备的自然磨损、运行条件的变化、环境和人为的干扰等原因，数据分布的差异是不可避免的。因此，当训练集(源域)和测试集(目标域)之间的数据分布不同时，上述大多数模型的性能都会严重下降。

因此需要研究在数据分布不同和小样本情况下的旋转机械故障诊断方法，以降低深度学习模型对故障样本数据的数量及质量依赖。

发明内容

有鉴于此，本发明目的是提供基于元迁移学习的复杂工况下的旋转机械故障诊断方法，包括以下步骤：

S1、采集不同状态下机械设备原始传感器信号，并制作图像数据集；

S2、将数据集按照1：1比例划分成训练集、验证集；

S3、选择深层卷积网络VGG-16作为预训练模型，在自然图像数据集ImageNet上完成训练学习；

S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进，分别得到针对多源域和半监督域自适应问题的参数初始化优化方法；

S5、利用VGG-16网络参数并采用S4提出的元学习优化方法初始化Meta-TCNN故障诊断模型；

S6、对Meta-TCNN故障诊断模型参数采用微调策略进行更新；

S7、使用训练集对Meta-TCNN模型进行训练；直至最终分类正确率不再有明显提升时，终止训练；

S8、用验证集对完成训练的Meta-TCNN模型进行验证，将参数优化完全的模型应用到故障诊断的任务中。

本发明提供的技术方案带来的有益效果是：(1)采用预训练模型迁移至新的故障诊断模型，大大减少了模型训练时间，同时降低了对样本数据量的需求，提高了故障诊断方法的精度及泛化性能；