[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

说明书

本发明涉及一种基于迁移学习的风机故障识别模型训练方法及系统，包括：S110、对源风机和目标风机各自的历史运行数据进行特征提取，得到各自的特征数据集；S120、对源风机故障识别模型进行训练和对超参数进行优化，得到最佳超参数；S130、根据最佳超参数和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，计算效果评估值；S140、按照分配比例形成迁移特征数据集，根据迁移特征数据集和最佳超参数进行模型训练，得到风机故障识别迁移模型，计算效果评估值；S150、判断迁移是否有效；若是，则将风机故障识别迁移模型作为对目标风机进行故障识别的模型。本发明可以提高故障识别模型的泛化能力，降低故障识别模型对样本数据的要求。

技术领域

本发明涉及风机故障检测技术领域，尤其涉及一种基于迁移学习的风机故障识别模型训练方法及系统。

背景技术

在风电行业中，故障识别模型被广泛应用在各类部件的预警建模中，如发电机故障、传动链故障、电控系统故障等。然而，数据驱动模型的泛化能力严重依赖于数据质量的好坏和故障样本的多少。当故障样本不足时，既有模型在新对象上的效果往往不理想，所以故障识别效果不能满足要求。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种基于迁移学习的风机故障识别模型训练方法及系统。

第一方面，本发明提供了一种基于迁移学习的风机故障识别模型训练方法，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。

第二方面，本发明提供一种基于迁移学习的风机故障识别模型训练系统，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。