[发明专利]一种基于知识迁移的多任务卷积神经网络故障诊断方法

权利要求书

1.一种基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

包括如下步骤：

步骤1：数据预处理；

步骤2：由粗到细的结构学习；

步骤3：多任务由粗到细的知识迁移。

2.根据权利要求1所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

步骤1具体包括：对输入样本信号进行处理后得到输入样本矩阵。

3.根据权利要求1所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

步骤2具体包括：

步骤21：故障类型的相似图构造；

步骤22：故障类型的谱聚类；

步骤23：输出知识结构。

4.根据权利要求3所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

步骤21和步骤22具体包括：将相似的故障类型聚类，形成粗粒度知识。

5.根据权利要求3所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

步骤23具体包括：

步骤231：训练一神经网络用于提取粗粒度知识；

步骤232：提取粗粒度知识；

步骤233：得到提取了粗粒度知识的网络；

步骤244：通过迁移学习，将该网络的知识传递给细粒度网络。

6.根据权利要求1所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

步骤3具体包括：

步骤31：基于渐进知识转移的多任务卷积神经网络的构建；

步骤32：用渐进知识训练PKT-MCNN模型转移；

步骤33：用训练好的PKT-MCNN模型测试新样本；

步骤34：输出测试样本的故障类型。

7.根据权利要求6所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

在步骤3中，所述PKT-MCNN的训练过程中，包括三个阶段：

(1)训练粗粒度任务来掌握粗粒度知识；

(2)以多任务的方式同时训练粗粒度和细粒度任务；

(3)通过对阶段(2)中更新的参数进行微调，对细粒度任务进行单独训练。

8.根据权利要求6所述的基于知识迁移的多任务卷积神经网络故障诊断方法，其特征在于，

在步骤3中，PKT算法嵌入到多任务CNN的顶部，

PKT通过一个权重参数λ来调节对两个任务，训练粗粒度任务和训练细粒度任务的不同注意力，

具体地，

在第一阶段，λ被设置为1，只学习粗粒度任务，因为细粒度任务的权重是0，损失从反向传播停止；

在第二阶段，λ根据训练纪元的数目逐渐减少到0，目的是同时学习这两个任务，并逐步将粗粒度的知识转移到细粒度的知识；第二阶段λ，记为λ₂，由下式计算：

其中，B1、B3分别为第一阶段、第二阶段的训练epoch数；B是当前epoch数，Bmax是最大epoch数；

最后，λ在第三阶段的值与第一阶段的值相反，λ被设置为0来微调细粒度任务，而不更新粗粒度任务的参数。