[发明专利]基于迁移学习的风机故障识别模型训练方法及系统

权利要求书

1.一种基于迁移学习的风机故障识别模型训练方法，其特征在于，包括：

S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。

2.根据权利要求1所述的方法，其特征在于，所述S150还包括：

若所述风机故障识别迁移模型的效果评估值小于所述目标风机故障识别模型的效果评估值，则判断所述分配比例是否达到上限值；

若是，则将所述目标风机故障识别模型作为对所述目标风机进行故障识别的模型；

否则，将所述分配比例提高预设步长，并返回S140。

3.根据权利要求2所述的方法，其特征在于，所述分配比例的初始值为5％，所述上限值为100％，所述预设步长为5％。

4.根据权利要求1所述的方法，其特征在于，所述特征数据集中包括统计特征数据和机理特征数据。

5.根据权利要求1所述的方法，其特征在于，

所述S120具体包括：将所述源风机的特征数据集划分为源域训练集和源域测试集；采用所述源域训练集和所述源域测试集训练所述源风机故障识别模型以及对所述源风机故障识别模型的超参数进行优化，以使所述源风机故障识别模型在所述源域测试集下的效果评估值达到最大，得到所述最优超参数。

6.根据权利要求5所述的方法，其特征在于，

所述S130具体包括：将所述目标风机的特征数据集划分为目标域训练集和目标域测试集；采用所述目标域训练集对所述目标风机故障识别模型进行训练，将所述最佳超参数作为所述目标风机故障识别模型的初始超参数，并采用所述目标域测试集对该初始超参数进行优化，得到使效果评估值达到最大的所述目标风机故障识别模型。

7.根据权利要求6所述的方法，其特征在于，所述将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，包括：

按照所述分配比例在所述目标风机的特征数据集的目标域训练集中随机抽取特征数据，将在所述目标域训练集中抽取出的特征数据和所述源风机的特征数据集中的源域训练集组合形成所述迁移特征数据集。

8.根据权利要求7所述的方法，其特征在于，所述根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，包括：

将所述最佳超参数作为所述风机故障识别迁移模型的初始超参数，采用所述迁移特征数据集训练所述风机故障识别迁移模型并对该初始超参数进行优化，得到使效果评估值达到最大的所述风机故障识别迁移模型。

9.根据权利要求1所述的方法，其特征在于，所述效果评估值为ROC-AUC值。

10.一种基于迁移学习的风机故障识别模型训练系统，其特征在于，包括：

数据获取模块，用于执行S110、获取源风机和目标风机各自的历史运行数据，对所述历史运行数据进行特征提取，得到所述源风机和所述目标风机各自的特征数据集；

第一训练模块，用于执行S120、根据所述源风机的特征数据集对源风机故障识别模型进行训练和对超参数进行优化，得到所述源风机故障识别模型对应的最佳超参数；

第二训练模块，用于执行S130、根据所述最佳超参数和所述目标风机的特征数据集进行模型训练，得到目标风机故障识别模型，并计算所述目标风机故障识别模型的效果评估值；效果评估值越大，对应模型的故障识别效果越好；

第三训练模块，用于执行S140、将所述源风机和所述目标风机的特征数据集按照分配比例形成迁移特征数据集，根据所述迁移特征数据集和所述最佳超参数进行模型训练，得到风机故障识别迁移模型，并计算所述风机故障识别迁移模型的效果评估值；

效果比较模块，用于执行S150、判断所述风机故障识别迁移模型的效果评估值是否大于等于所述目标风机故障识别模型的效果评估值；若是，则将所述风机故障识别迁移模型作为对所述目标风机进行故障识别的模型。