一种基于深度迁移的边缘端故障诊断方法及系统技术方案

本发明专利技术公开了一种基于深度迁移的边缘端故障诊断方法及系统，包括，首先，获取深度迁移学习模型所需的目标域和源域原始数据；其次，对原始数据基于Stockwell变换进行预处理，生成以时频图为样本的目标域数据集和源域数据集；接着，搭建由基于ResNet

【技术实现步骤摘要】
一种基于深度迁移的边缘端故障诊断方法及系统


[0001]本专利技术涉及机械设备的故障诊断领域，特别涉及一种基于深度迁移的边缘端故障诊断方法及系统。

技术介绍

[0002]随着新一代信息技术、物联网技术的发展，机械设备越发趋于数字化和智能化。同时，接入物联网络的传感器及其产生的监测数据也出现爆炸式增长。这一切都对设备故障诊断方法的可靠性、准确性及泛化能力提出更高的要求。传统的事后专家诊断模式已逐渐无法满足当下机械设备的运维需求。
[0003]为适应机械设备智能化发展和大数据的特点，有效挖掘监测数据巨大的潜在价值，数据驱动的智能故障诊断技术得到越来越多的关注和研究。该技术基于大量的历史数据来建立故障诊断模式，自动提取运行设备监测数据中隐含的故障信息，完成对设备健康状态的智能识别，实现更高效的事前预测维护。
[0004]数据驱动的故障诊断技术需要针对不同的应用场景选择合适的方法并进行改进，主要方法有：(1)通过以主成分分析、偏最小二乘法和独立成分分析等为代表的多元统计分析方法获得传感器数据的统计规律；(2)运用信号分析方法对传感器数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移的边缘端故障诊断方法，其特征在于，包括如下：获取对应机械设备的目标域原始数据和源域原始数据；对原始数据进行预处理，生成各类健康状态时频图，按预设比例构建目标域和源域数据集；搭建深度迁移子域自适应神经网络模型，包括基于ResNet
‑
50的特征提取网络、子域自适应层和softmax分类层；将目标域数据集和源域数据集输入深度迁移子域自适应神经网络模型进行训练，获得符合诊断精度要求的深度迁移子域自适应神经网络模型。2.根据权利要求1所述的边缘端故障诊断方法，其特征在于，所述目标域原始数据，利用振动加速度传感器采集机械设备处于正常运行及各类故障状态下的传感器数据，获取带标签的目标域原始数据；所述源域原始数据，是采用实验室数据集，所述实验室数据集所包含的故障类型与目标与相同，数据量充足且标签完整正确、各类健康状态数据量均衡。3.根据权利要求1所述的边缘端故障诊断方法，其特征在于，所述子域适应层实现源域和目标域相关子域的自适应对齐，具体为：其中，式中，D
s
和D
t
分别表示源域数据集和目标域数据集；和分别表示D
s
和D
t
的实例样本，n
s
和n
t
分别是D
s
和D
t
的样本数目；(
·
,
·
)为映射到再生核希尔伯特空间的核函数；和分别表示和属于类别c的权重；y
ic
表示类别向量y
i
的第c个元素，本质是样本x
i
属于类别c的置信度；表示D域中所有样本的类别向量第c个元素的总和，源域中样本的类别信息清楚，采用独热码表示每个样本的类别向量计算权重目标域样本没有标签，采用softmax层的输出作为类别向量计算权重源域和目标域的样本和经过ResNet
‑
50特征提取网络，输出特征分别为和4.根据权利要求1所述的边缘端故障诊断方法，其特征在于，以最小化源域故障数据集的分类误差、源域和目标域的局部最大...

【专利技术属性】
技术研发人员：陈忠，唐鑫，吴捷军，张宪民，
申请(专利权)人：捷司达智能科技广东有限公司，
类型：发明
国别省市：