【技术实现步骤摘要】
基于模型的迁移学习及改进LSTM的焊机故障诊断方法
[0001]本专利技术属于故障诊断领域，特别是一种基于模型的迁移学习及改进LSTM的焊机故障诊断方法。
技术介绍
[0002]我国焊接技术经过五十多年的发展壮大，已经趋于高度智能化，集成化和复杂化，焊机作为焊接技术中的重要组成部分已广泛应用在工业生产制造中。传统的焊机设备通过个人经验的诊断法和基于系统数学模型的诊断法对系统进行状态监测与故障诊断，尽管其具有方便快捷的特点，但存在局限性，个人经验一般只能对故障进行简单的定性分析，无法做到定量分析，基于系统数学模型的诊断法很难得到较准确的在线状态估计，并且方法一旦完成，功能难以扩充与修改，人机接口的柔性较差。为了能够快速准确地诊断与排除故障，确保生产连续化和高效率，迫切需要研制一套智能化的故障诊断系统。采用人工智能的焊机故障诊断对实时数据分析处理，焊机一旦发生故障，能够快速准确地定位故障参数，为维修人员制定方案提供保证，减少停机时间，提高生产效率。基于人工智能的诊断方法，其性能极大地取决于数据的质和量。焊机故障诊断系统，需要大量...
【技术保护点】
【技术特征摘要】
1.一种基于模型的迁移学习及改进LSTM的焊机故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1，焊机源域样本数据预处理：对样本数据进行标准化；步骤2，构建注意力机制模块和LSTM模块；步骤3，基于注意力机制模块和LSTM模块搭建源域网络模型；步骤4，使用源域样本数据对源域网络模型进行训练，直至模型收敛；步骤5，焊机目标域样本数据预处理：将数据样本标准化并划分为训练集和测试集；步骤6，参数迁移与模型微调：将源域网络模型迁移到目标域网络模型中，并使用目标域训练样本对目标域网络模型进行调整；步骤7，输入待检测样本，通过目标域网络模型进行焊机故障诊断。2.根据权利要求1所述的基于模型的迁移学习及改进LSTM的焊机故障诊断方法，其特征在于，步骤1中设源域样本数据为其中表示源域数据中的第i个样本，表示源域样本标签，源域数据包含7类样本，包括正常样本、焊机保护气漏气、电流异常、电压异常、液压油液高温、焊丝速度异常和环境温度异常，每类样本包含N1个样本，每个样本具有7个特征，7个特征具体包括焊机气压、电流、电压、液压油液温度、送丝速度、环境温度和液压缸压力；对源域样本进行标准化预处理，计算公式为：式中，为源域数据中的第i个样本，为源域样本标准化后的第i个样本，mean(X
S
)表示对源域数据X
S
按特征求取的均值，sd(X
S
)表示对源域数据X
S
按特征求取的标准差。3.根据权利要求1所述基于模型的迁移学习及改进LSTM的焊机故障诊断方法，其特征在于，步骤2中构建注意力机制模块具体包括：首先计算注意力的分布，然后计算输入信息的加权平均；其中，计算注意力的分布如下式所示：式中，s(x
i
,q)＝v
T
tanh(Wx
i
+Uq)为加性模型为打分函数，其中q表示查询向量，x
i
为第i个输入样本即第i个输入信息，W、U和v为训练参数；利用加权平均的方式对信息进行汇总，得到注意力值，计算公式如下式所示：式中，X为输入信息向量，α
i
为第i个输入信息的概率，n为输入信息的总数。4.根据权利要求1所述基于模型的迁移学习及改进LSTM的焊机故障诊断方法，其特征在于，步骤2中LSTM模块包括输入门，遗忘门、输入门和输出门，模块的输入数据包括t
‑
1时
刻的单元状态c
t
‑1、t
‑
1时刻门控单元的输出h
t
‑1和t时刻的输入x
t
，模块的输出数据包括t时刻的单元状态c
t
和t时刻门控单元的输出h
t
；单元状态c
t
的更新公式为：门控单元的输出h
t
的计算公式为：h
t
＝o
t
*tanh(c
t
)其中，LSTM模块的遗忘门f
t
、输入门i
t
和输出门o
t
的计算公式分别为：i
t
＝σ(W
i
x
t
+U
i
h
t
‑1+b
i
)f
t
＝σ(W
f
x
t
+U
f
h
t
‑1+b
f
)o
t
＝σ(W
o
x
t
+U
o
h
t
‑1+b
o
)上式中W
i
、W
f
、W
o
均为x
t
的权重参数，U
i
、U
f
、U
o
为h
t
‑1的权重参数，b
i
、b
f
、b
o
均为偏置参数，σ为激活函数；其中表示输入数据保留的信息，W
c
为x
t
的权重参数，U
c
为h
t
‑1的权重参数，b
c
为偏置参数。5.根据权利要求1...
【专利技术属性】
技术研发人员：刘鑫宇，朱彤，史超，徐鹏，李红星，王跃，徐炜翔，徐伟，
申请(专利权)人：江苏杰瑞信息科技有限公司中船重工信息科技有限公司中国船舶集团有限公司第七一六研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。