[发明专利]一种基于迁移学习的设备集群跨域故障预测方法及系统

权利要求书

1.一种基于迁移学习的设备集群跨域故障预测方法，其特征在于，包括以下步骤：

基于传感器采集源域和目标域中设备的信号，得到原始监测数据；

基于连续异常点检测方法对原始监测数据进行初识别，得到早期故障节点；

对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理，得到故障特征集；

基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练，所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络；

将故障特征集中源域和目标域的1-D时序特征融合，得到融合时序特征；

将故障特征集中源域和目标域的2-D时频谱特征融合，得到融合时频谱特征；

以融合时序特征作为多层全连接网络的输入，以融合时频谱特征作为深度卷积神经网络的输入，得到输出双重子网络的输出特征；

将双重子网络的输出特征进行连接，并基于自适应优化算法反向传播迭代更新训练神经网络参数，得到预测模型；

实时采集目标域设备的时频域数据并输入到预测模型，实现故障检测。

2.根据权利要求1所述一种基于迁移学习的设备集群跨域故障预测方法，其特征在于，所述基于传感器采集源域和目标域中设备的信号，得到原始监测数据这一步骤，其具体包括：

在受控的实验室环境中对设备运行到失效并持续采集数据，得到源域设备的监测数据；

采集另一设备集群的少量标签或无标签的小样本监测数据，得到目标域设备的检测数据；

整合得到原始监测数据。

3.根据权利要求2所述一种基于迁移学习的设备集群跨域故障预测方法，其特征在于，所述基于连续异常点检测方法对原始监测数据进行初识别，得到早期故障节点这一步骤，其具体包括：

采用基于峰值度量的连续异常点故障检测方法对原始监测数据进行处理，识别出健康状态和退化状态的拐点，即早期故障节点；

根据早期故障节点确定第一预测时间。

4.根据权利要求3所述一种基于迁移学习的设备集群跨域故障预测方法，其特征在于，所述基于连续异常点检测方法对原始监测数据进行初识别具体采用判别函数识别，所述判别函数表示为：

{|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分别表示峰值度量的均值和方差，i＝0,1,2,3,4表示连续5个监测点，时间参数t被定义为触发故障预测算法的第一预测时间。

5.根据权利要求3所述一种基于迁移学习的设备集群跨域故障预测方法，其特征在于，所述对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理，得到故障特征集这一步骤，其具体包括：

对原始监测数据中第一预测时间后的信号进行比对，并校准源域和目标域中采样信号序列的尺度；

以原始监测数据中的1-D时间序列作为第一类故障特征；

基于连续小波变换将原始监测数据的1-D时间序列转换成2-D系数矩阵，得到第二类故障特征；

整合第一类故障特征和第二类故障特征，得到故障特征集。

6.一种基于迁移学习的设备集群跨域故障预测系统，其特征在于，包括：

数据获取模块，基于传感器采集源域和目标域中设备的信号，得到原始监测数据；

初识别模块，对原始监测数据进行处理，识别得到早期故障节点；

故障特征提取模块，用于对原始监测数据中早期故障节点后的数据进行信号校准和特征提取处理，得到故障特征集；

训练模块，基于故障特征集对预构建的域自适应迁移学习MLP-DCNN双神经网络进行训练，所述预构建的域自适应迁移学习MLP-DCNN双神经网络包括多层全连接网络和深度卷积神经网络；将故障特征集中源域和目标域的1-D时序特征融合，得到融合时序特征；将故障特征集中源域和目标域的2-D时频谱特征融合，得到融合时频谱特征；以融合时序特征作为多层全连接网络的输入，以融合时频谱特征作为深度卷积神经网络的输入，得到输出双重子网络的输出特征；将双重子网络的输出特征进行连接，并基于自适应优化算法反向传播迭代更新训练神经网络参数，得到预测模型；

故障检测模块，用于实时采集目标域设备的时频域数据并输入到预测模型，实现故障检测。