[发明专利]基于迁移卷积神经网络的故障预测方法有效
| 申请号： | 201810087864.X | 申请日： | 2018-01-30 |
| 公开（公告）号： | CN108334936B | 公开（公告）日： | 2019-12-24 |
| 发明（设计）人： | 文龙;李新宇;高亮;张钊 | 申请（专利权）人： | 华中科技大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04 |
| 代理公司： | 42201 华中科技大学专利中心 | 代理人： | 张彩锦;曹葆青 |
| 地址： | 430074 湖北*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于神经网络故障预测领域，并公开了基于迁移卷积神经网络的故障预测方法。该方法包括下列步骤：(a)将故障类型进行编号，采集待预测对象的时域信号并获取初始故障类型编号，将时域信号转化为RGB图像；(b)将深度残差网络模型的FC层初始化并添加分类器，获得改进的网络模型；(c)将RGB图像输入网络模型训练FC层和分类器，不断更新FC层的权重值，当获得的故障类型编号与初始故障类型编号相近时对应的权重值为所需的新的权重值，并完成网络模型的迁移；(d)将待预测对象的RGB图像输入迁移卷积神经网络模型中，输出预测故障类型编号。通过本发明，所采用的迁移卷积神经网络模型结构简单、预测速度快，预测结果准确。 | ||
| 搜索关键词： | 故障类型 卷积神经网络 迁移 故障预测 网络模型 权重 时域信号 分类器 预测 模型结构 模型训练 神经网络 输出预测 输入网络 预测结果 初始化 残差 采集 更新 转化 改进 | ||
【主权项】：
1.基于迁移卷积神经网络的故障预测方法，其特征在于，该方法包括下列步骤：/n（a）将待预测对象的故障类型进行编号，然后采集待预测对象在已知故障类型期的特征指标的时域信号，并获取所述已知故障类型期的初始故障类型编号，同时将所述时域信号转化为RGB图像；/n（b）选取深度残差网络模型ResNet-50作为预测模型，将该网络模型ResNet-50中的完全连接层FC层初始化使得该层的权重值归零，然后在所述FC层后添加分类器,以此获得改进的网络模型ResNet-50；/n（c）将步骤（a）中获得的RGB图像输入所述改进的网络模型ResNet-50中，获得表示该RGB图像的特征向量，将所述特征向量输入所述FC层和分类器中获得初始预测故障类型编号，将该初始预测故障类型编号与所述初始故障类型编号进行比较，通过训练所述FC层的权重值，使得二者的差值达到预设阈值，此时对应的FC层的权重值即为所述FC层所需的权重值，该包含所需的权重值的FC层对应的网络模型即为迁移卷积神经网络模型；/n（d）采集待预测对象待预测期的特征指标的时域信号，并将该时域信号转化为待处理的RGB图像，将该待处理的RGB图像输入所述迁移卷积神经网络模型中获得待预测的特征向量，将该待预测的特征向量输入所述迁移卷积神经网络模型的FC层和分类器中，输出预测故障类型编号，由此完成故障的预测。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华中科技大学，未经华中科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810087864.X/，转载请声明来源钻瓜专利网。
