[发明专利]基于迁移卷积神经网络的故障预测方法

权利要求书

1.基于迁移卷积神经网络的故障预测方法，其特征在于，该方法包括下列步骤：

（a）将待预测对象的故障类型进行编号，然后采集待预测对象在已知故障类型期的特征指标的时域信号，并获取所述已知故障类型期的初始故障类型编号，同时将所述时域信号转化为RGB图像；

（b）选取深度残差网络模型ResNet-50作为预测模型，将该网络模型ResNet-50中的完全连接层FC层初始化使得该层的权重值归零，然后在所述FC层后添加分类器,以此获得改进的网络模型ResNet-50；

（c）将步骤（a）中获得的RGB图像输入所述改进的网络模型ResNet-50中，获得表示该RGB图像的特征向量，将所述特征向量输入所述FC层和分类器中获得初始预测故障类型编号，将该初始预测故障类型编号与所述初始故障类型编号进行比较，通过训练所述FC层的权重值，使得二者的差值达到预设阈值，此时对应的FC层的权重值即为所述FC层所需的权重值，该包含所需的权重值的FC层对应的网络模型即为迁移卷积神经网络模型；

（d）采集待预测对象待预测期的特征指标的时域信号，并将该时域信号转化为待处理的RGB图像，将该待处理的RGB图像输入所述迁移卷积神经网络模型中获得待预测的特征向量，将该待预测的特征向量输入所述迁移卷积神经网络模型的FC层和分类器中，输出预测故障类型编号，由此完成故障的预测。

2.如权利要求1所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（a）中，所述将时域信号转化为RGB图像按照下列步骤：

（a1）从所述时域信号中选取三个不同时间段内的时域信号，将每段时间内的信号点编号，三个时间段内编号相同的点对应的信号指标值构成一个3×1的向量，该向量对应RGB图像上的一个像素，以此完成一个像素的形成；

（a2）重复（a1）的步骤，直至完成224×224个像素的形成，由此完成RGB图像上所有像素的形成，从而实现时域信号转化为RGB图像。

3.如权利要求1或2所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（c）中，所述获得RGB图像的特征向量，该特征向量为2048×1的向量。

4.如权利要求1所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（b）中，所述分类器采用softmax分类器。

5.如权利要求1所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（b）中，所述深度残差网络模型ResNet-50中的FC层的神经元设置为128个。

6.如权利要求1所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（c）中，所述训练采用Dropout的方法和L2正则化。

7.如权利要求1所述的基于迁移卷积神经网络的故障预测方法，其特征在于，在步骤（a）中，所述故障类型为10种。