【技术实现步骤摘要】
一种基于并行网络和迁移学习的机械设备故障诊断方法
[0001]本专利技术涉及机械设备故障诊断领域，具体而言，涉及一种基于并行网络和迁移学习的机械设备故障诊断方法。
技术介绍
[0002]机械设备在现代工业中起到无可替代的作用，随着机械设备的复杂化，精密化发展，对其进行监测和管理难度大大提升，机械设备一旦发生故障，轻则导致工厂停产造成经济损失，重则引起灾难性事故，威胁生命安全。
[0003]近年来，深度学习广泛应用于故障诊断领域，其具有自动提取特征的特点，避免了传统故障诊断方法过于依赖领域专家先验知识的缺陷。现有深度学习故障诊断方法仅针对单一输入对象进行特征提取，即以时序信号或信号转换的时频图为输入，仅以一维时域信号作为输入时，缺少频域信息，无法全面反映设备状态信息；而以二维图像作为输入时，会丢失原始信号作为时序在时间维度上蕴含的信息。
[0004]深度学习在机械设备故障诊断领域仍另有缺陷，即需要大量设备运行状态数据，包括正常和故障状态，设备在运行过程中长期处于正常运行状态，故障数据少之又少，这将导致深度学习诊...
【技术保护点】
【技术特征摘要】
1.一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，包括以下步骤：步骤一：根据机械设备在某一恒定工况下的振动信号，利用连续小波变换的方法获取振动信号时频图，制作源域数据集；步骤二：构建双通道双输入的并行网络，其中上下层网络分别采用Inception
‑
Resnet
‑
v2和长短时记忆神经网络，通过上层网络提取振动信号时频图二维特征，通过下层网络提取原始振动信号时序特征；步骤三：引入注意力机制，分配特征权重；上层Inception
‑
Resnet
‑
v2网络采用卷积注意力模块；下层长短时记忆神经网络采用自注意力机制；步骤四：融合上述并行网络提取的特征，通过分类层完成故障分类识别，完成并行网络预训练；步骤五：采集不同工况下的设备振动信号，并利用连续小波变换的方法获取振动信号时频图，制作目标域数据集；步骤六：通过迁移学习的方法，冻结预训练模型卷积层参数，以少量目标域带标签数据对预训练模型进行参数微调，完成小样本、变工况故障诊断模型训练。2.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤一中，通过传感器采集到的设备振动信号数据和转换获取的二维时频图同时保存为源域数据集，分别作为并行网络两个通道的输入。3.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤二中，通过Inception
‑
Resnet
‑
v2提取振动信号时频图二维特征，该网络由多个Incepion
‑
Resnet模块、Stem模块、Reduction模块、Dropout层和下采样层组成；其卷积层包含了多个...
【专利技术属性】
技术研发人员：唐宇峰，蔡宇，熊娅伶，杨泽林，陈星红，张思维，李文杰，
申请(专利权)人：四川轻化工大学，
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。