1.一种基于CC-FOA的风电机组迁移学习故障诊断方法,其特征在于,包括:采集多个风力发电机组的振动信号数据,将所述振动信号数据划分为源域数据和目标域数据;
对所述源域数据和目标域数据进行预处理,包括信号降噪和维度变换;
利用预处理后的源域数据训练堆叠稀疏去噪自编码器网络;
利用混沌纵横交叉的果蝇优化算法对堆叠稀疏去噪自编码器网络的隐藏层数和每层神经元个数进行优化,包括:设定果蝇种群规模、最大迭代次数、误差精度、加速因子和纵向交叉概率;将初始种群果蝇转换成自编码器的隐藏层数和每层神经元个数进行训练,计算重构误差作为果蝇的适应度值;
对适应度值与个体位置排序,并记录全局最优值和相对应的最优个体;
对种群中所有果蝇进行两两不重复随机组合,进行横向交叉,计算果蝇适应度值,保留当期种群适应度最好的果蝇;
对横向交叉得到的果蝇的每一维进行归一化,然后对所有的维进行不重复两两随机配对,进行纵向交叉操作,反归一化后进行适应度值比较,并更新所述全局最优值和相对应的最优个体;
算法不断迭代,直到达到最大迭代次数或误差精度达到预设阈值时停止,选择适应度最好的果蝇作为最优解并输出,最优解即为堆叠稀疏去噪自编码器的最优隐藏层数和每层神经元个数;
将预处理后的源域数据和目标域数据输入优化后的堆叠稀疏去噪自编码器网络,在每层隐藏层添加联合概率最大均值差异约束,并基于误差之和重新训练所述网络;
将重新训练的堆叠稀疏去噪自编码器网络应用于目标域数据,提取特征并进行故障分类。
2.根据权利要求1所述的方法,其特征在于,其中,将预处理后的源域数据和目标域数据输入优化后的所述堆叠稀疏去噪自编码器网络,在每层隐藏层添加联合概率最大均值差异约束,并基于误差之和重新训练所述网络,包括:将预处理后的源域数据和目标域数据输入堆叠稀疏去噪自编码器网络;
利用最大均值差异度量源域和目标域分布差异,构建包含边缘分布和条件分布的联合概率最大均值差异约束;
将所述联合概率最大均值差异嵌入每个稀疏去噪自编码器的隐藏层中,以对模型进行逐层迁移;
通过最小化包含重构误差和联合概率最大均值差异的损失函数,对所述堆叠稀疏去噪自编码器网络进行训练,以得到最优参数集。
3.根据权利要求2所述的方法,其特征在于,其中,利用最大均值差异度量源域和目标域分布差异,构建包含边缘分布和条件分布的联合概率最大均值差异约束,包括:建立源域和目标域的联合概率差异模型,包括同类可转移性度量和异类可区分性度量,以定义判别联合概率最大均值差异;
构造源域数据的标签矩阵和目标域数据的伪标签矩阵,并计算第一和第二归一化矩阵;
生成源域和目标域的扩展标签矩阵,以计算第三和第四归一化矩阵;
基于第一、第二、第三和第四归一化矩阵构建判别联合概率最大均值差异的优化目标函数,以求解最优线性映射。
4.根据权利要求2所述的方法,其特征在于,其中,将所述联合概率最大均值差异嵌入每个稀疏去噪自编码器的隐藏层中,以对模型进行逐层迁移,包括:将联合概率最大均值差异嵌入每个稀疏去噪自编码器的隐藏层中,通过最小化第一稀疏去噪自编码器的损失函数,对源域数据和目标域数据进行特征提取,以进行特征空间的对齐;
将第一稀疏去噪自编码器的输出作为第二稀疏去噪自编码器的输入,通过最小化第二稀疏去噪自编码器的损失函数,缩小源域数据和目标域数据在新特征空间的分布差异;
将第二稀疏去噪自编码器的输出作为第三稀疏去噪自编码器的输入,通过最小化第三稀疏去噪自编码器的损失函数,实现源域数据和目标域数据在公共特征空间的充分对齐,以进行模型的迁移。
5.根据权利要求3所述的方法,其特征在于,其中,建立源域和目标域的联合概率差异模型,包括同类可转移性度量和异类可区分性度量,以定义判别联合概率最大均值差异,包括:建立包含同类可转移性度量和异类可区分性度量的源域和目标域联合概率差异模型,其中同类可转移性度量采用最大均值差异MMD计算源域到目标域的可迁移性;
基于经验公式,得到源域和目标域条件期望与先验概率的乘积公式,将其代入最大均值差异MMD公式,得到最终源域到目标域的可迁移性度量公式;
建立异类可区分性度量模型,采用最大均值差异MMD计算源域和目标域中不同故障类别间的区分性,得到最终源域和目标域异类区分性度量公式;
将得到的同类可转移性度量公式和异类区分性度量公式,代入建立的联合概率差异模型,以得到完整的判别联合概率最大均值差异定义。
6.根据权利要求5所述的方法,其特征在于,其中,可迁移性度量,包括:,
其中,表示可迁移性度量;C表示类别总数,即故障类型的数量;c表示当前类别索引,取值范围为1到C;表示源域数据的样本总数;表示源域中属于类别c的样本数量;表示目标域数据的样本总数;表示目标域中属于类别c的样本数量;表示线性映射矩阵A的转置,用于将数据从原始特征空间映射到新的特征空间;表示源域中第ii个属于类别c的样本;表示目标域中第jj个属于类别c的样本。
7.根据权利要求6所述的方法,其特征在于,其中,区分性度量,包括:,
其中,表示区分性度量;表示另一个类别索引,取值范围为1到C,且;表示目标域中属于类别的样本数量;表示目标域中第jj个属于类别的样本。
8.一种基于CC-FOA的风电机组迁移学习故障诊断设备,其特征在于,包括:处理器、存储器、系统总线;其中,所述处理器以及所述存储器通过所述系统总线相连;所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的方法。