[发明专利]基于迁移卷积神经网络的故障预测方法

说明书

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。

技术领域

本发明属于神经网络故障预测领域，更具体地，涉及基于迁移卷积神经网络的故障预测方法。

背景技术

近年来许多研究人员对故障预测进行了研究，作为一种典型的故障预测方法，数据驱动故障预测可以利用历史数据建立故障模式，而不需要任何明确的模型或信号症状，这非常适合于复杂系统，随着智能制造业的快速发展，机器设备产生的数据得到了很好的提升和收集，机械大数据为制造业实现无故障过程带来了新的机遇，数据驱动的故障预测越来越受到研究人员和工程师的重视，要找到更强大的数据驱动的故障预测方法至关重要。

从大量历史数据中进行学习是数据驱动故障预测方法提取特征的一个关键，主成分分析(PCA)，偏最小二乘法(PLS)和独立分量相关(ICA)等统计分析方法越来越受到工业过程监测的重视，机器学习也是数据驱动故障预测领域最流行的方法之一，如支持向量机(SVM)，模糊逻辑和人工神经网络等，然而，机器学习方法的上限性能取决于手工特征，但是要预先设计好的手工特征是困难和耗尽的；深度学习(DL)作为机器学习领域的一个新兴领域，克服了上述缺点，可以自动学习到原始数据的分层表示特征，但由于故障预测领域标注样本数量的限制以及DL模型的巨大模型复杂度，故障预测DL模型的深度只能达到5个隐层，与具有数百个隐藏层的ImageNet的基准CNN模型相比，相对较浅，与ImageNet中的千万注释图像相比，制造中的样本量很小，没有大量的训练数据集，很难训练出类似于ImageNet的深度卷积神经网络，致使最终获得故障预测结果准确度低。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了基于迁移卷积神经网络的故障预测方法，该方法首先通过将时域信号转化为RGB图像，然后通过对卷积神经网络进行迁移，获得迁移后的卷积神经网络，然后利用该迁移卷积神经网络对故障进行预测，由此解决故障预测精度低的技术问题。

为实现上述目的，按照本发明，提供了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：

(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；

(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；

(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；

(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。