基于恒Q变换和迁移学习的故障诊断方法技术

本发明专利技术公开了基于恒Q变换和迁移学习的故障诊断方法，包括步骤：从监测传感器中采集监测数据，构建初始数据集；对初始数据集数据增强，形成增强数据集；将增强数据集中的数据进行恒Q变换，转换为在时频平面上的信号表示，得到多通道图像；将多通道图像输入到基于GoogleNet的迁移学习故障诊断模型中，得第一结果0；将第一结果0全局平均池化后，添加预定丢弃概率的丢弃，得到一维向量的输出结果作为一层全连接神经网络输入；全连接神经网络输出第二结果0’，第二结果0’中最大元素所在位置为故障诊断的最终预测值。本发明专利技术大大提高设备故障诊断效率，能在故障发生早期及时有效故障诊断及辨别故障类型，避免设备故障而带来损失。

【技术实现步骤摘要】

本专利技术涉及故障诊断，特别是涉及一种基于恒q变换和迁移学习的故障诊断方法。

技术介绍

1、在工业生产和设备运行过程中，随着设备的使用时间的延长，故障发生的概率也逐渐增加。迅速准确地诊断设备故障，对于提高设备的可靠性和运行效率具有重要意义。传统故障诊断方法往往依赖于专家经验，常采用经验法、观察法、试错法来进行故障诊断，其准确性和实时性均无法满足当前要求。传统方法具有以下不足：（1）需要对大量的故障数据进行处理和分析，而在一条成熟的生产线中，故障率是十分低的，因此很难得到大量的故障数据用来处理和分析。（2）传统的故障诊断方法十分依赖人工经验且效率十分低下，对复杂故障的处理能力有限、易受主观因素影响。因此，需要一种高效准确的故障诊断方法来解决这一问题。

技术实现思路

1、本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种基于恒q变换和迁移学习的故障诊断方法。通过迁移学习方法，可以更好地利用已有的丰富经验和知识，加快故障诊断的速度和准确度，提高系统可靠性和稳定性。

2、为实现本专利技术的目的所采本文档来自技高网...

【技术保护点】

1.基于恒Q变换和迁移学习的故障诊断方法，其特征在于，包括步骤：

2.根据权利要求1所述基于恒Q变换和迁移学习的故障诊断方法，其特征在于，步骤S1中，所述初始数据集为X={x1,x2,……xi}，xi是一段时序数据，表示步骤S1中在T时间内采集的第i种类型的运行参数，xi={, ,…… }，表示第i种类型的运行参数在t时刻的数值。

3.根据权利要求2所述基于恒Q变换和迁移学习的故障诊断方法，其特征在于， 步骤S2中，所述增强数据集表示为Y={y1,y2,……yi}，yi表示对步骤S1中在T时间内采集到的第i种类型的运行参数xi进行数据据增强后得到的相关运行参数的数...

【技术特征摘要】

1.基于恒q变换和迁移学习的故障诊断方法，其特征在于，包括步骤：

2.根据权利要求1所述基于恒q变换和迁移学习的故障诊断方法，其特征在于，步骤s1中，所述初始数据集为x={x1,x2,……xi}，xi是一段时序数据，表示步骤s1中在t时间内采集的第i种类型的运行参数，xi={, ,…… }，表示第i种类型的运行参数在t时刻的数值。

3.根据权利要求2所述基于恒q变换和迁移学习的故障诊断方法，其特征在于， 步骤s2中，所述增强数据集表示为y={y1,y2,……yi}，yi表示对步骤s1中在t时间内采集到的第i种类型的运行参数xi进行数据据增强后得到的相关运行参数的数据集。

4.根据权利要求1所述基于恒q变换和迁移学习的故障诊断方法，其特征在于，步骤s2中，通过数据插值、数据重采样、数据平移、数据裁剪的方法进行数据增强。

5.根据权利要求2所述基于恒q变换和迁移学习的故障诊断方法，其特征在于，步骤s3中，图像信号表示的表达式为i=[i0,i1,……ii]，其中ii表示对第i种类型的运行参数进行数据增强并进行恒q变换之后得到的图像；所有数据增强之后的类型参数所得到的图像进行合并后得到所述...

【专利技术属性】
技术研发人员：郝耀东，陈达亮，李洪亮，李林，杨明辉，李灿，白杨翼，杨征睿，邓江华，刘玉龙，石月奎，吴迪，杨晋，刘佳，
申请(专利权)人：中汽研天津汽车工程研究院有限公司，
类型：发明
国别省市：