[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

说明书

本发明公开了一种基于知识迁移的多任务卷积神经网络故障诊断方法，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。本发明在大规模故障诊断方面显示出明显的优势。因为从粗粒度任务中获得的CNN参数的良好初始化可以有效避免较差的局部极小值。同时，有效的判别信息被保留并传递到细粒度任务中，以实现有效的故障识别，并且本申请所提出的PKT‑MCNN比扁平CNN收敛到更好的局部极小值，验证了渐进知识转移对CNN的学习有显著影响。

技术领域

本发明涉及智能故障诊断技术领域，尤其涉及一种基于知识迁移的多任务卷积神经网络故障诊断方法。

背景技术

故障诊断作为保持工业系统安全运行、降低不必要的例行停机维护费用的有效工具，在现代社会中日益重要。因此，为了及早、准确地发现故障，人们提出了多种诊断方法。近年来，随着传感器和信息技术的发展，行业数据迅速积累，促使基于深度学习(deeplearning,DL)的诊断方法应运而生。基于深度架构和多个非线性层，DL算法能够自适应地学习高级表示特征，克服了传统诊断方法固有的缺点。

大多数基于深度学习的方法在小数目故障诊断上表现良好，但在处理大规模故障诊断时不能收敛到令人满意的结果，因为大量的故障类型会导致神经网络中存在类间距离不平衡和局部极小等问题。例如，在处理大量故障类型的大规模诊断任务时，基于DL的诊断方法存在如下缺陷，首先，基于DL的方法在进行随机初始化时容易陷入局部极小值，而那些需要处理大量故障类型的方法，由于参数的增加和结构的复杂化，会加剧这一问题。此外，随着标号空间的增大，泛化误差的上界会增大，导致最终诊断性能的下降，并且，从算法设计的角度来看，故障类别的增加会导致类内/类间距离不平衡的问题，即故障类内距离大，类间距离小。例如，一个部件的相似故障之间的距离很小，很难区分，而不同子系统的故障之间的距离很大，可以很容易地进行分类。因此，在此类大规模故障诊断任务中，一些相似故障的类间距离甚至可能小于其他故障的类内距离，这使得传统的深度学习方法难以应用。因此，具有多种故障类型的复杂系统的大规模故障诊断一直是一个难以破解的难题。

发明内容

本申请提供了一种基于知识迁移的多任务卷积神经网络故障诊断方法，其能克服大型复杂系统故障诊断目前的缺陷，使用已知故障信息，通过迁移学习的方式，将故障信息由粗到细的学习到网络中，从而获得较好的性能。

本发明提供的一种基于知识迁移的多任务卷积神经网络故障诊断方法，

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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；