1.基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,包括以下步骤:S1、采集不同状态下机械设备原始传感器信号,并制作图像数据集;
S2、将数据集按照1:1比例划分成训练集、验证集;
S3、选择深层卷积网络VGG‑16作为预训练模型,在自然图像数据集ImageNet上完成训练学习;
S4、采用元学习方法对迁移学习中存在的参数迁移参数初始化问题进行改进,分别得到针对多源域和半监督域自适应问题的参数初始化优化方法;
S4中所述针对多源域自适应问题的参数初始化优化方法为:(a)在多源域自适应设置中,将可用的源域分成不相交的元训练和元测试域两者都具有标签,DS为源域, 为元训练域, 为元测试域;
(b)让 成为无监督的定义域方法, 并要求它从元训练领域调整到未标记的元测试领域,模型损失记为
(c)在外环中,使用元测试域的标签数据作为验证集,通过监督损失 来评估自适应性能;
(d)在完整的源域集合和真正的未标记的 之间,使用学习到的初始条件来实例化相同的UDA算法:(e)对外部监督损失采取梯度下降步骤来优化初始条件,得到的Θ0在所有源域之间进行自适应,同时适应目标域,DT表示源域标记数据和目标域未标记数据;
交替执行公式 的元优化步骤和公式
(2)中最终的无监督领域适应问题的步骤来执行在线元学习操作,迭代其中,Θ为算法训练模型,模型损失记为 为元内环损失,α为步长调整因子, 为元测试域,Θ0为元梯度;
S5、利用VGG‑16网络参数并采用S4提出的元学习优化方法初始化Meta‑TCNN故障诊断模型;
S6、对Meta‑TCNN故障诊断模型参数采用微调策略进行更新;
S7、使用训练集对Meta‑TCNN模型进行训练;直至最终分类正确率不再有明显提升时,终止训练;
S8、用验证集对完成训练的Meta‑TCNN模型进行验证,将参数优化完全的模型应用到故障诊断的任务中。
2.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,所述S1具体如下:使用原始数据拼接法将一维原始信号转换成二维时频分布图像,再通过数据扩充得到对应的三通道时频图像,得到图像数据集。
3.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,S6所述参数微调策略为:锁定Meta‑TCNN故障诊断模型的低层三个卷积模块不参与更新,只对高层两个卷积模块以及全连接模块进行参数更新。
4.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,优化初始条件的元学习问题是一个双层优化问题,描述为:其中, 表示基本任务特定算法在其训练集上的标准损失,表示当从外部优化设置的初始条件开始时,优化 后的验证集损失, 为元测试域, 为元训练域。
5.根据权利要求4所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,梯度下降的方法为:(a)在优化内循环之前,将参数Θ0复制为 并在内层算法中使用(b)完成内循环后,得到 和Θ0之间的最短路径梯度:(c)近似每个元梯度步长 为
其中, 为完成内循环后元梯度,Θ0为前步元梯度复制值,α为步长调整因子, 为元验证域。
6.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,半监督领域自适应问题是学习到一个适合源域和少数标记目标域的模型,同时还要用自适应损失 将未标记的目标数据与源域数据对齐,如下:所述针对半监督域自适应问题的参数初始化优化方法为:(a)通过类比,找到SSDA方法中无监督分量 的初始条件,使用带标签的例子 来验证外部循环中的自适应;
(b)用学习到的初始条件实例化最终的半监督域自适应训练;
(c)应用在线元学习,在公式(3)的元优化和公式(4)的最终有监督领域自适应问题之间迭代;
其中,DS为源域,DT为目标域, 表示目标域未标记数据, 为源域上的监督学习的项,UDA损失记为 α为步长调整因子, 为SSDA损失,Θ为元梯度,Θ0为前步元梯度复制值,λ为自适应损失权重。
7.根据权利要求1所述的基于元迁移学习的复杂工况下的旋转机械故障诊断方法,其特征在于,S7所述对Meta‑TCNN模型进行训练具体为:按照设置的参数更新方式,通过计算模型输入标签值与真实标签值之间的交叉熵作为模型误差,通过误差反向传播的方式进行参数更新,其中,选用Adam算法进行最优化,在训练模型的过程中保持记录模型误差变化曲线以及分类准确率随迭代次数的变化。