CN110909826A - 一种能源设备的诊断监测方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种能源设备的诊断监测方法、装置及电子设备，所述方法包括：获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。变分自编码器应用到能源设备的信号分析和故障诊断和监测中，基于能源设备的故障信号数据对能源设备的故障类型进行诊断，实现了能源设备的故障的自动地监测和诊断。

Description

一种能源设备的诊断监测方法、装置及电子设备

技术领域

本发明涉及综合能源技术领域，尤其涉及一种能源设备的诊断监测方法、装置及电子设备。

背景技术

在综合能源领域，在能源设备上会安装有各种各样的传感器，通过这些传感器来获取一些能源相关的数据，例如温度变化、震动频率变化等数据。如果能源设备出现某种故障之后，则这些信号一般都会呈现某种特殊的模式。如果不能及时监测到能源设备的故障，则可能影响到整个能源***的运行。

发明内容

本发明提供一种能源设备的诊断监测方法及装置，通过能源设备的信号分析实现自动的故障监测和诊断。

第一方面，本发明提供了一种能源设备的诊断监测方法，所述方法包括：

获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；

采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；

基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；

将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。

优选地，

在所述用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据之前，所述方法还包括：

基于预设时间长度，对任一个所述故障信号数据进行划分，以得到相同时间长度的小段数据。

优选地，

所述采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据，包括：

将所述小段数据输入自编码器中进行训练，以得到训练好的所述变分自编码器，其中，所述变分自编码器的输入层和输出层神经元的数目与任一个所述故障信号数据的小段数据的个数相同；

将每个所述故障信号数据的小段数据输入至所述变分自编码器，以得到每个故障信号数据的特征数据。

优选地，

所述基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型，包括：

利用分类树算法对所述特征数据和故障类型进行训练，得到故障分类模型。

优选地，

所述将待测能源设备的故障信号数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述待测能源设备的故障信号数据输入所述变分自编码器，得到所述故障信号数据对应的特征数据；

根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型。

优选地，

所述根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；

判断每个故障类型的置信度是否大于预设置信度；

当任一个故障类型的置信度大于所述预设置信度时，确定该故障类型为所述待测能源设备的故障类型。

优选地，

所述根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；

判断各个故障类型的置信度之间的差值是否大于预设差值；

如果某个故障类型和其他故障类型的置信度的差值大于所述预设差值，则确定该故障类型为所述待测能源设备的故障类型。

优选地，

所述方法还包括：

当所有故障类型的置信度都小于所述预设置信度时，确定所述待测能源设备处于健康状态；

或者，

当任两个故障类型的置信度的差值都小于所述预设差值，确定所述待测能源设备处于健康状态。

第二方面，本发明提供一种能源设备的诊断监测的装置，所述装置包括：

数据获取单元，用于获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；

特征提取单元，用于采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；

模型训练单元，用于基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；

诊断监测单元，用于将待测能源设备的故障信号数据和所述故障分类模型，以确定所述待测能源设备的故障类型。

第三方面，本发明提供一种电子设备，包括处理器和存储器，

所述存储器用于存储计算机执行指令；

所述处理器用于执行所述计算机执行指令以实现第一方面任一所述的一种能源设备的诊断监测方法。

本发明提供了一种能源设备的诊断监测方法、装置及电子设备，变分自编码器应用到能源设备的信号分析和故障诊断和监测中，基于能源设备的故障信号数据对能源设备的故障类型进行诊断，实现了能源设备的故障的自动地监测和诊断。

附图说明

为了更清楚地说明本说明书实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种能源设备的诊断监测方法的流程示意图；

图2为本发明一实施例提供的自编码器的结构示意图；

图3为本发明一实施例提供的一种能源设备的诊断监测装置的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

智慧能源***中，能源设备可以设置有传感器，以监测能源设备的一些信号，比如温度变化、振动频率变化等数据。如果能源设备出现某种故障，则这些信号一般都会呈现某种特殊的模式。如果能自动的分析和判断出这种模式，则可以通过能源设备的信号分析实现自动的故障监测和诊断。在本发明实施例中，应用自编码器对故障能源设备的信号进行分析，提取其特征，然后应用机器学习算法训练得到故障分类模型，然后对于未知故障的信号数据，同样应用自编码器获取其信号特征，用训练好的故障分类模型判断故障的类型。

其中，自编码器的原理结构例如可以参考图2所示的自编码器的结构示意图。

如图2所示，自编码器(Autoencoders)，它是一种特殊结构的神经网络，从图2可以看出自编码器(图2为堆栈式自编码器，也是本发明实施例使用的类型)，有以下几个特点：

(a)自编码器的目标是使输出(Outputs)向量和输入(Inputs)向量尽量相同，例如图中，均为784units；

(b)以最中间的一层(叫做编码层，codings)为中心，神经网络呈现对称的特点。实际上神经网络的权重值是关于这一层对称的。

(c)处于中心位置的编码层具有特殊意义，其表示从输入中提取出的特征。

自编码器一个常用的用途就是用来提取输入的特征。因此可以利用它来提起时间序列的特征(即为该时间序列的元特征)。变分自编码器是自编码器的一种，它和其他编码器的主要区别是，它使得编码层(提取出的特征)符合正态分布。在本发明实施例中，以变分自编码器为优选方案。

图1为本发明一实施例提供的一种能源设备的诊断监测方法的流程示意图。

如图1所示，本发明实施例提供的一种能源设备的诊断监测方法，可以包括如下步骤：

步骤110，获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型。

能源设备上的传感器可以采集能源设备的相应能源信号数据，且可以自己存储，也可以将采集的能源信号数据传输给存储设备进行存储。在本步骤中，可以从存储设备或者传感器中获取能源设备的故障数据。

示例性地，故障数据的准备例如：(1)某一个能源设备故障，且已经知道它发生某种类型的故障和故障状态下的信号数据。该设备的故障可能有多种，假设已经收集到不同故障状态下的不同的信号数据。(2)如果有多个故障，那么这些故障收集到的信号需要是频率是相同的，例如都是秒级数据或者分钟级数据。(3)对于设备信号收集到的信号数据的长度不能太短。如果传感器是每秒收集一次数据，那么至少要有几个小时的数据；如果传感器是每分钟收集一个数据，那么至少要有几天的数据，依次类推。总的数据数目应至少有几千个。

步骤120，采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据。

在本发明实施例中，可以采用变分自编码器对步骤110得到的故障信号数据进行特征提取。示例性地，可以将故障信号数据作为输入，输入变分自编码器，经过变分自编码器的处理，得到故障信号数据的特征数据。

在本发明一实施方式中，在步骤120之前还可以包括如下步骤A：基于预设时间长度，对任一个所述故障信号数据进行划分，以得到相同时间长度的小段数据。示例性地，将某一个故障设备(设备的故障名称已知)的所有的故障信号数据分为相同长度的小段数据，例如如果是秒级数据，则可以每分钟(60个数)或者每5分钟(300个数)作为一个小段；如果是分钟级数据，可以每小时(60个数)作为一个小段数据。将该故障设备的故障信号数据的所有的小段数据作为X1，它们对应的故障名称作为Y1。如果有多个能源设备故障的信号需要分析，需要对每个故障信号数据做同样的处理，把所有的小段数据作为总的训练集X，把每个小段对应的故障类型(故障名称)组成标签集Y。

在步骤A的基础上，步骤120进一步可以实现为：将所述小段数据输入自编码器中进行训练，以得到训练好的所述变分自编码器，其中，所述变分自编码器的输入层和输出层神经元的数目与任一个所述故障信号数据的小段数据的个数相同；将每个所述故障信号数据的小段数据输入至所述变分自编码器，以得到每个故障信号数据的特征数据。示例性地，构造变分自编码器，可以用经典的变分自编码器结构，需要注意的是输入、输出层神经元的数目和每个小段的长度相同。本发明实施例中，变分自编码器的总深度不超过10层，降低数据运算量，提高数据运算效率。以及，变分编码层神经元的个数不小于10个。进一步地，将训练集X中的小段数据(随机排序之后)输入自编码器，进行训练，得到训练好的变分自编码器。更进一步地，对于训练好的变分自编码器，重新输入一遍小段数据训练集X，此时自编码器的参数都是固定的，得到每个小段对应的编码数据集合(即特征数据集合)，记作X’。最后，保存该训练好的变分自编码器模型，例如，记作VAE。

步骤130，基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型。

在本发明实施例中，利用所有的小段数据的特征数据集X’和它们对应的标签集Y，用一个机器学习算法进行训练，得到一个机器学习的故障分类模型。示例性地，利用分类树算法对所述特征数据和故障类型进行训练，得到故障分类模型。假设将故障分类模型记作F。

步骤140，将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。

在一些实施例中，步骤140可以实现为：步骤M、将所述待测能源设备的故障信号数据输入所述变分自编码器，得到所述故障信号数据对应的特征数据；步骤N、根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型。示例性地，对于一个未知故障的设备，将它的故障信号数据进行同样的小段切分，将一个小段数据x输入变分自编码器VAE，得到它的特征编码数据x’，然后将数据x’输入故障分类模型F，得到它的标签y，从而可以得到它的故障类型(故障名称)。在一些实施例中，也可以输入该故障的多个小段数据，最后得到多个故障标签，选取频率最高的故障类型(故障名称)，作为预测的故障。

进一步地，本步骤可以实现为：步骤Q、将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；步骤W、判断每个故障类型的置信度是否大于预设置信度；步骤E、当任一个故障类型的置信度大于所述预设置信度时，确定该故障类型为所述待测能源设备的故障类型。或者，当所有故障类型的置信度都小于所述预设置信度时，确定所述待测能源设备处于健康状态。示例性地，以一定频率(比如每小时，或者每天都可以)将能源设备传感器传来的信号数据，选取一个小段的数据，输入变分自编码器VAE和故障分类模型F，得到不同故障的分类概率，如果所有的概率中，都没有明显大于某个阈值(阈值可以是人为设定或者是不同故障的发生比率)，则认为该能源设备没有故障，如果某个故障的分类概率明显大于某个阈值，则可以认为能源设备发生了故障。也可以检测不同的故障概率变化来分析能源设备的健康状况。

在本发明另一实施方式中，本步骤还可以实现为：步骤S、将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；步骤D、判断各个故障类型的置信度之间的差值是否大于预设差值；步骤F、如果任两个故障类型的置信度的差值大于所述预设差值，则确定该两个故障类型的置信度中较大的一个为所述待测能源设备的故障类型。或者，当任两个故障类型的置信度的差值都小于所述预设差值，确定所述待测能源设备处于健康状态。示例性地，以一定频率将(比如每小时，或者每天都可以)将能源设备传感器传来的信号数据，选取多个小段的数据，输入变分自编码器VAE和分类模型F，得到多个预测的故障类型，如果各个预测故障类型的频率差不多(或者和各种故障的发生比例相似)则认为能源设备健康；如果某个故障出现的频率明显高(或者明显高于该故障的发生比率)，则认为能源设备发生了该故障。其中，发生比例相似，可以采用置信度的差值来确定，或者故障比例的差值来确定，差值越小可以确定各种故障类型发生的频率相似。

本发明提供了一种能源设备的诊断监测方法，变分自编码器应用到能源设备的信号分析和故障诊断和监测中，基于能源设备的故障信号数据对能源设备的故障类型进行诊断，实现了能源设备的故障的自动地监测和诊断。

图3为本发明一实施例提供的一种能源设备的诊断监测的装置的结构示意图。

如图3所示，本发明的一种能源设备的诊断监测的装置，可以包括数据获取单元31、特征提取单元32、模型训练单元33和诊断监测单元34。

数据获取单元31，用于获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；

特征提取单元32，用于采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；

模型训练单元33，用于基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；

诊断监测单元34，用于将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。

本发明提供了一种能源设备的诊断监测装置，变分自编码器应用到能源设备的信号分析和故障诊断和监测中，基于能源设备的故障信号数据对能源设备的故障类型进行诊断，实现了能源设备的故障的自动地监测和诊断。

本发明一个实施例还提供一种电子设备。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成一种能源设备的诊断监测的设备配置装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的一种能源设备的诊断监测方法。

上述如本说明书图1所示实施例提供的一种能源设备的诊断监测方法执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的一种能源设备的诊断监测方法，并具体用于执行如图1所示的方法。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本说明书时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种能源设备的诊断监测方法，其特征在于，所述方法包括：

获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；

采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；

基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；

将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。

2.根据权利要求1所述的方法，其特征在于，在所述采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据之前，所述方法还包括：

基于预设时间长度，对任一个所述故障信号数据进行划分，以得到相同时间长度的小段数据。

3.根据权利要求2所述的方法，其特征在于，所述采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据，包括：

将所述小段数据输入自编码器中进行训练，以得到训练好的所述变分自编码器，其中，所述变分自编码器的输入层和输出层神经元的数目与任一个所述故障信号数据的小段数据的个数相同；

将每个所述故障信号数据的小段数据输入至所述变分自编码器，以得到每个故障信号数据的特征数据。

4.根据权利要求1所述的方法，其特征在于，所述基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型，包括：

利用分类树算法对所述特征数据和故障类型进行训练，得到故障分类模型。

5.根据权利要求1所述的方法，其特征在于，所述将待测能源设备的故障信号数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述待测能源设备的故障信号数据输入所述变分自编码器，得到所述故障信号数据对应的特征数据；

根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；

判断每个故障类型的置信度是否大于预设置信度；

当任一个故障类型的置信度大于所述预设置信度时，确定该故障类型为所述待测能源设备的故障类型。

7.根据权利要求5所述的方法，其特征在于，所述根据所述故障信号数据对应的特征数据和所述故障分类模型，以确定所述待测能源设备的故障类型，包括：

将所述故障信号数据对应的特征数据输入所述故障分类模型，以得到两种以上的故障类型的置信度；

判断各个故障类型的置信度之间的差值是否大于预设差值；

如果任两个故障类型的置信度的差值大于所述预设差值，则确定该两个故障类型的置信度中较大的一个为所述待测能源设备的故障类型。

8.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：

当所有故障类型的置信度都小于所述预设置信度时，确定所述待测能源设备处于健康状态；

或者，

当任两个故障类型的置信度的差值都小于所述预设差值，确定所述待测能源设备处于健康状态。

9.一种能源设备的诊断监测装置，其特征在于，所述装置包括：

数据获取单元，用于获取能源设备的故障数据，所述故障数据包括故障信号数据和对应的故障类型；

特征提取单元，用于采用变分自编码器对所述故障信号数据进行特征提取，以得到特征数据；

模型训练单元，用于基于所述特征数据和所述故障类型，利用机器学习算法进行训练，以得到故障分类模型；

诊断监测单元，用于将待测能源设备的故障信号数据输入所述故障分类模型，以确定所述待测能源设备的故障类型。

10.一种电子设备，其特征在于，包括处理器和存储器，

所述存储器用于存储计算机执行指令；

所述处理器用于执行所述计算机执行指令以实现如权利要求1-8任一所述的一种能源设备的诊断监测方法。

Images