[发明专利]一种转子系统深度迁移故障诊断方法、系统及介质

权利要求书

1.一种转子系统深度迁移故障诊断方法，其特征在于，包括：

步骤1、对WDCNN模型进行预训练，获得预先设定的分类效果后，保存整个WDCNN模型，并给予该模型初始权值；

步骤2、将预训练得到的WDCNN模型迁移至源域，对WDCNN模型进行微调，在预先设置标签的燃气轮机正常数据集上进行训练，更新WDCNN模型权重；

步骤3、在目标域中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征；

步骤4、利用SVM对目标域数据集所有的映射特征进行分类，实现燃气轮机的故障识别；

所述步骤2中，将预训练得到的WDCNN模型迁移至源域，并更新权重的方法包括以下步骤：

步骤2.1、将预训练的WDCNN模型导入仅有燃机转子正常数据集的源域，分别采用新的Flatten层和Softmax层替换预训练WDCNN模型的对应层，以识别新的正常的转子数据特征；

步骤2.2、在获得预先设置有标签的燃气轮机转子正常样本数据集后，只冻结WDCNN模型的第一个基础模块，即卷积层的参数不随训练迭代而改变；

步骤2.3、采用预先设置有标签的燃气轮机转子正常样本数据集训练WDCNN模模型，微调第二个基础模块～第五个基础模块；

步骤2.4、判断预测标签和真实标签之间的误差，若误差满足预设精度要求，则保存权值、阈值和卷积核；反之，则利用反向传播对网络进行超参数优化，重新微调第二个基础模块～第五个基础模块，直至满足预设精度要求；

所述步骤2.3中，完全连接层的权重更新：

式中，t为迭代次数；η为学习率；W^l为第l层的权重；E为均方误差函数；b^l为偏置；

所述步骤2.3中，卷积层的权重更新：

式中，为可训练的卷积核；为第j个特征映射的偏置。

2.如权利要求1所述故障诊断方法，其特征在于，所述步骤1中，采用标准轴承的原始振动加速度数据作为输入，预训练WDCNN模型；训练方法包括以下步骤：

步骤1.1、将标准轴承的原始振动加速度数据作为样本，将样本按7:3的比例随机划分为训练集和测试集；

步骤1.2、初始化WDCNN模型的权重，采用训练集数据训练该模型，经过网络的不断迭代训练，误差不断被计算更新；

步骤1.3、采用测试集数据测试模型，当迭代完成后，如果获得了95％以上的分类精度，则保存整个模型；反之，若不满足分类精度要求或没有达到最高迭代次数，则利用反向传播更新权值、阈值和卷积核参数，重新判断是否满足分类精度要求。

3.如权利要求1所述故障诊断方法，其特征在于，所述步骤3中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征的方法为：以燃气轮机转子的部分正常样本和故障样本数据集为输入，将源任务中的第一个基础模块至第三个基础模块迁移至目标任务中，建立特征映射模型，将目标域映射到一个新的特征空间，得到目标域数据集所有的映射特征。

4.如权利要求3所述故障诊断方法，其特征在于，所述迁移方法包括以下步骤：

步骤3.1、将一直被冻结权重的第一个基础模块、被更新权重后的第二个基础模块和第三个基础模块作为特征提取层映射到目标域中；

步骤3.2、采用燃气轮机的部分正常样本数据和故障样本数据作为输入，将卷积层提取的特征向量输入到SVM分类器中进行故障分类。

5.如权利要求1所述故障诊断方法，其特征在于，在所述预训练模型之前，还设置有数据预处理的步骤。