本申请公开了一种迁移学习算法及装置，该算法包括构建用于迁移学习的源模型；所述源模型由单个或多个深度学习网络构建；获取机电设备的原始信号，基于所述原始信号构建中间变量；其中，所述中间变量既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连续渐变特性；基于所述中间变量的模糊隶属度函数确定所述原始信号对应的标签；以所述原始信号、以及对应的标签构建训练集对所述源模型进行训练以得到迁移学习的新模型；基于所述迁移学习的新模型对机电设备执行分类任务和回归任务。该迁移学习算法及装置，能够在一个深度网络中解决两类不同的任务，以提高算法在不同对象、不同工况和不同任务之间的迁移性能。不同工况和不同任务之间的迁移性能。不同工况和不同任务之间的迁移性能。
【技术实现步骤摘要】
迁移学习算法及其装置
[0001]本申请涉及迁移学习领域，尤指一种迁移学习算法及其装置。
技术介绍
[0002]在PHM领域，对数据驱动的诊断算法来说，需要解决的问题可以分为两大类：(1)离散型的分类问题，如故障分类，老化阶段划分，有限故障状态辨识；(2)连续型的回归问题，如剩余寿命RUL(Remaining Useful Life,RUL)估计，磨损量或老化轨迹预测，健康指标估计。
[0003]针对这两大类不同的故障预警任务，目前学术界和工业界通常采用不同的方法分别进行处理，即对故障诊断和剩余寿命估计分别采用两个不同的机器学习或深度学习算法，而未考虑两个任务之间的关联和迁移学习。为故障诊断和剩余寿命估计两类任务分别训练两个不同的算法，虽然针对性强，算法精度较高，但是存在以下两个显著问题：算法训练效率较低，重复训练耗费大量计算资源；实际工业应用中往往没有足够的故障实验数据或者全生命周期的老化轨迹来满足两种不同任务下算法训练的需求。
技术实现思路
[0004]本申请提供了一种迁移学习算法及其装置，能够在一个深度学习网络中解决两类不同的PHM任务，以提高算法在不同对象、不同工况和不同任务之间的迁移性能。通过一种算法，能够实现既对机电设备执行分类任务同时又可对机电设备执行回归任务。
[0005]本申请提供的一种迁移学习算法，包括：
[0006]构建用于迁移学习的源模型；所述源模型由单个或多个深度学习网络构建；
[0007]获取机电设备的原始信号，基于所述原始信号构建中间变量；其中，所述中间变量既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连续渐变特性；
[0008]基于所述中间变量的模糊隶属度函数确定所述原始信号对应的标签；
[0009]以所述原始信号、以及对应的标签构建训练集对所述源模型进行训练以得到迁移学习的新模型；
[0010]基于所述迁移学习的新模型对机电设备执行分类任务和回归任务。
[0011]一种示例性的实施例中，所述构建用于迁移学习的源模型，包括：构建所述源模型的拓扑结构；确定所述源模型的超参数集和所述超参数集中各参数的取值范围；优化所述源模型的拓扑结构和超参数集。
[0012]一种示例性的实施例中，当所述深度学习网络包括深度卷积神经网络和短时长时记忆网络时，所述构建源模型的拓扑结构包括所述深度卷积神经网络与所述短时长时记忆网络串联的拓扑结构、所述深度卷积神经网络与所述短时长时记忆网络并联的拓扑结构。
[0013]一种示例性的实施例中，所述优化所述源模型的拓扑结构和超参数集，包括：确定进行优化的代价函数；根据预设的优化算法、所述代价函数对所述源模型的拓扑结构和超参数集中超参数的取值进行优化。
[0014]一种示例性的实施例中，基于所述原始信号构建中间变量，包括如下步骤：
[0015]步骤一：对所述原始信号进行特征提取与特征选择；
[0016]步骤二：根据选择出的特征构建第一变量；
[0017]步骤三：绘制所述第一变量在分类任务的各类别下的概率分布直方图；
[0018]步骤四：根据概率分布直方图判断所述第一变量是否满足第一预设条件；
[0019]若满足第一预设条件，则将所述第一变量作为中间变量；若不满足第一预设条件，则重复步骤二到步骤四，直到第一变量满足第一预设条件；
[0020]其中，所述第一预设条件为既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连续渐变特性。
[0021]一种示例性的实施例中，基于所述中间变量的模糊隶属度函数确定所述原始信号对应的标签，包括：
[0022]基于所述中间变量在分类任务的各类别下分布的均值和标准差构建所述中间变量的模糊隶属度函数；
[0023]根据所述模糊隶属度函数确定所述原始信号对应的标签。
[0024]一种示例性的实施例中，根据所述模糊隶属度函数确定所述原始信号对应的标签，包括：
[0025]将所述中间变量的取值进行等间隔划分，形成N个区间；其中，所述区间的间隔满足第二预设条件；N为正整数；
[0026]对于每个区间，进行如下操作：
[0027]统计该区间内的样本数量并计算该区间内的平均隶属度值；根据该区间内的样本数量、以及该区间的平均隶属度值确定该区间内的各样本的标签；
[0028]将N个区间的各样本的标签确定为所述原始信号对应的标签。
[0029]一种示例性的实施例中，根据该区间内的样本数量、以及该区间的平均隶属度值确定该区间内的各样本的标签，包括：假设根据所述模糊隶属度函数图确定该区间的标签包括第一类别和第二类别；则将该区间内的第一数量的样本的标签确定为第一类别；除去第一数量后剩余的样本的标签确定为第二类别；其中，所述第一数量根据该区间内的样本数量与该区间的平均隶属度值之积确定。
[0030]一种示例性的实施例中，对所述原始信号进行特征提取与特征选择，包括：提取所述原始信号的时域特征与频域特征；计算所提取的特征的相关性和单调性；选择相关性和单调性满足第三预设条件的M个特征；其中M为大于1的整数；
[0031]根据选择出的特征构造第一变量，包括：
[0032]对选择出的M个特征进行线性加权求和后得到的变量作为第一变量。
[0033]本申请提供的一种迁移学习装置，包括存储器和处理器，
[0034]所述存储器，用于保存用于迁移学习算法的程序；
[0035]所述处理器，用于读取执行所述用于迁移学习算法的程序，执行如下算法：
[0036]构建用于迁移学习的源模型；所述源模型由单个或多个深度学习网络构建；
[0037]获取机电设备的原始信号，基于所述原始信号构建中间变量；其中，所述中间变量既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连续渐变特性；
[0038]基于所述中间变量的模糊隶属度函数确定所述原始信号对应的标签；
[0039]以所述原始信号、以及对应的标签构建训练集对所述源模型进行训练以得到迁移学习的新模型；
[0040]基于所述迁移学习的新模型对机电设备执行分类任务和回归任务。
[0041]一种示例性的实施例中，所述构建用于迁移学习的源模型，包括：构建所述源模型的拓扑结构；确定所述源模型的超参数集和所述超参数集中各参数的取值范围；优化所述源模型的拓扑结构和超参数集。
[0042]一种示例性的实施例中，当所述深度学习网络包括深度卷积神经网络和短时长时记忆网络时，所述构建源模型的拓扑结构包括所述深度卷积神经网络与所述短时长时记忆网络串联的拓扑结构、所述深度卷积神经网络与所述短时长时记忆网络并联的拓扑结构。
[0043]一种示例性的实施例中，所述优化所述源模型的拓扑结构和超参数集，包括：确定进行优化的代价函数；根据预设的优化算法、所述代价函数对所述源模型的拓扑结构和超参数集中超参数的取值进行优化。
[0044]一种示例性的实施例中，基于所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种迁移学习算法，其特征在于，构建用于迁移学习的源模型；所述源模型由单个或多个深度学习网络构建；获取机电设备的原始信号，基于所述原始信号构建中间变量；其中，所述中间变量既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连续渐变特性；基于所述中间变量的模糊隶属度函数确定所述原始信号对应的标签；以所述原始信号、以及对应的标签构建训练集对所述源模型进行训练以得到迁移学习的新模型；基于所述迁移学习的新模型对机电设备执行分类任务和回归任务。2.如权利要求1所述的算法，其特征在于，所述构建用于迁移学习的源模型，包括：构建所述源模型的拓扑结构；确定所述源模型的超参数集和所述超参数集中各参数的取值范围；优化所述源模型的拓扑结构和超参数集。3.如权利要求2所述的算法，其特征在于，当所述深度学习网络包括深度卷积神经网络和短时长时记忆网络时，所述构建源模型的拓扑结构包括所述深度卷积神经网络与所述短时长时记忆网络串联的拓扑结构、所述深度卷积神经网络与所述短时长时记忆网络并联的拓扑结构。4.如权利要求2或3所述的算法，其特征在于，所述优化所述源模型的拓扑结构和超参数集，包括：确定进行优化的代价函数；根据预设的优化算法、所述代价函数对所述源模型的拓扑结构和超参数集中超参数的取值进行优化。5.如权利要求1所述的算法，其特征在于，基于所述原始信号构建中间变量，包括如下步骤：步骤一：对所述原始信号进行特征提取与特征选择；步骤二：根据选择出的特征构建第一变量；步骤三：绘制所述第一变量在分类任务的各类别下的概率分布直方图；步骤四：根据概率分布直方图判断所述第一变量是否满足第一预设条件；若满足第一预设条件，则将所述第一变量作为中间变量；若不满足第一预设条件，则重复步骤二到步骤四，直到第一变量满足第一预设条件；其中，所述第一预设条件为既具有分类任务要求的离散可聚类特性，又具有回归任务所需的连...
【专利技术属性】
技术研发人员：阮迪望，严建平，伏宇，郑新前，阮迪兰，
申请(专利权)人：杭州迪比深科技有限公司，
类型：发明
国别省市：
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。