一种基于迁移学习的少样本装备状态预测方法

本发明涉及工业设备状态监测领域，具体是一种基于迁移学习的少样本装备状态预测方法：利用PCTran模拟装备多种运行状态模式，获取装备不同状态下的运行参数的模拟数据，之后基于时频域特征提取状态模式特征表示机制，联合迁移学习与随机森林设计状态预测模型；采用最近类均值分类器作为随机森林的分裂函数，获取每个分裂函数的信息增益，根据最大信息增益确定最佳分裂函数；获取随机森林的特征重要性和树结构知识，通过KL散度动态评估特征可迁移性，迁移随机森林重要性特征至目标域。本发明可在保持少样本条件下高分类精度的同时，兼具模型稳定性和决策可解释性双重优势，特别适用于核电装备这类对安全性和可靠性要求极高的工业场景。