【技术实现步骤摘要】
本专利技术涉及工业故障诊断,具体涉及多目标域迁移场景下针对集群设备快速部署迁移的工业故障诊断,尤其涉及一种基于多维度知识迁移的故障诊断方法。
技术介绍
1、近年来,在数据采集和处理技术快速发展的推动下,深度学习在各个领域得到了极大的关注和研究。深度神经网络在分类和回归方面已经显示出其优于传统机器学习算法的优势。然而,深度神经网络的优异性能主要依赖于足够的标记数据。它还要求训练样本和测试样本遵循相同的分布。然而,在实际的工业运维过程中,训练数据集和测试数据集之间由于机器运行状态的切换经常存在领域差异。与此同时,在大型工业过程中,获得足够标记训练样本的成本很高。为此,迁移学习通过将知识从源域(原始存储的数据)提取并迁移到目标域(新获得的数据),为解决分布差异提供了一种可行的方案。
2、现有的迁移学习方法通过分布对齐或对抗学习来学习域不变特征。然而,在实际应用中,由于不同的工况切换,收集到的数据可能来自不同的分布(即不同的域),期望将一个有标签域中的知识迁移至其他标签不充足的域中。为此,多目标迁移学习的动机是从源域构建模型并推广到
...【技术保护点】
1.一种基于多维度知识迁移的故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多维度知识迁移的故障诊断方法,其特征在于,所述源域数据集表示为,其中分别表示源域数据集中的第i个数据样本以及对应的故障类别标签和故障语义属性矩阵标签,表示源域数据集中的样本总数,表示每个样本由r维的变量测量值组成,表示样本的第1维测量值,表示样本的第2维测量值,表示样本的第r维测量值,每个故障语义属性矩阵标签均为一个0-1属性矩阵;
3.根据权利要求1所述的基于多维度知识迁移的故障诊断方法,其特征在于,所述双分支神经网络模型具体包括:
...
【技术特征摘要】
1.一种基于多维度知识迁移的故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多维度知识迁移的故障诊断方法,其特征在于,所述源域数据集表示为,其中分别表示源域数据集中的第i个数据样本以及对应的故障类别标签和故障语义属性矩阵标签,表示源域数据集中的样本总数,表示每个样本由r维的变量测量值组成,表示样本的第1维测量值,表示样本的第2维测量值,表示样本的第r维测量值,每个故障语义属性矩阵标签均为一个0-1属性矩阵;
3.根据权利要求1所述的基于多维度知识迁移的故障诊断方法,其特征在于,所述双分支神经网络模型具体包括:
4.根据权利要求3所述的基于多维度知识迁移的故障诊断方法,其特征在于,所述源域和m个目标域对应的数据知识引导分支网络和语义知识引导分支网络的训练目标函数,具体包括:
5.根据权利要求3所述的基于多维度知识迁移的故障诊断...
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。