CN113850292A - 故障知识库生成式更新方法、***、电子设备及介质 - Google Patents
故障知识库生成式更新方法、***、电子设备及介质 Download PDFInfo
- Publication number
- CN113850292A CN113850292A CN202110949315.0A CN202110949315A CN113850292A CN 113850292 A CN113850292 A CN 113850292A CN 202110949315 A CN202110949315 A CN 202110949315A CN 113850292 A CN113850292 A CN 113850292A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge base
- model
- latent
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000012512 characterization method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供一种故障知识库生成式更新方法、***、电子设备及介质，方法包括：获取待测***中设备的工况数据；将工况数据输入潜在故障诊断模型，潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对潜在故障诊断模型进行微调，更新故障知识库；其中，潜在故障诊断模型基于潜在故障类型的虚拟样本训练得到；潜在故障类型的虚拟样本基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成。本发明提供的故障知识库生成式更新方法、***、电子设备及介质，通过已知故障类型的工况演化模式生成潜在故障类型的虚拟样本，进而训练得到潜在故障诊断模型，识别故障并获得真实潜在故障样本，扩增与更新故障知识库。
Description
技术领域
本发明涉及故障诊断与维护技术领域，尤其涉及一种故障知识库生成式更新方法、***、电子设备及介质。
背景技术
工业设备由于结构复杂、部件集成度高且相互关联耦合，一旦发生故障便可能造成巨大的经济损失。因此，对***中出现的变量偏差进行有效监测，构建诊断模型判断故障是否发生，进而确定故障的类型、程度和发生时间等，并进行定位排除，是提高工业设备可靠性的关键技术之一。现有的故障诊断方法可分为定性和定量两类，定性诊断主要基于经验归纳诊断规则，定量诊断则围绕机理和数据构建诊断模型进行故障诊断。由于故障类型繁多，建立统一的故障知识库可以对多种诊断规则与模型进行分类存储，从而为故障诊断***的运行与决策提供数据支持。
工业设备故障的起因包括部件退化、操作不当、环境突变等多种类别，不同运行状态下设备的监测数据也不尽相同，使得故障知识库一方面不能识别潜在的未知故障，另一方面不能穷尽已知故障在不同运行状态下的表征。尤其在故障数据存在典型的小样本和类别不均衡现象时，会严重影响诊断规则与模型的准确度，导致故障知识库的可靠性较低，不能有效更新以满足工业***安全稳定运行的需求。
同时，目前工业企业中对故障知识库的应用相对较少，更新方法也以故障后更新为主，即新故障发生后，通过对其分析诊断得到新的规则与模型并纳入知识库，但由于缺乏潜在故障的数据与表征，无法提前进行预警以避免故障带来的经济损失。
因此，现在亟需一种故障知识库生成式更新方法来解决上述问题。
发明内容
本发明提供一种故障知识库生成式更新方法、***、电子设备及介质，用以解决现有技术中故障知识库不能识别潜在的未知故障、不能穷尽已知故障在不同运行状态下的表征以及无法提前进行预警的技术问题。
第一方面，本发明提供一种故障知识库生成式更新方法，包括：
获取待测***中设备的工况数据；
将所述工况数据输入潜在故障诊断模型，当所述潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对所述潜在故障诊断模型进行微调，并更新故障知识库；
其中，所述潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；所述潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
根据本发明提供的一种故障知识库生成式更新方法，所述潜在故障类型的虚拟样本的获取过程，包括：
选取潜在故障类型的归一化多元表征向量；
将所述潜在故障类型的归一化多元表征向量输入生成器模型，通过生成器模型学习工况条件变化下故障特征的演化模式，生成潜在故障类型的虚拟样本；
其中，所述生成器模型是基于已知与潜在故障类型的归一化多元表征向量与预先生成的固定维度的随机噪声的拼接结果经自监督对抗训练得到的。
根据本发明提供的一种故障知识库生成式更新方法，所述潜在故障类型的归一化多元表征向量处于已知故障类型的归一化多元表征向量的分布范围之内。
根据本发明提供的一种故障知识库生成式更新方法，所述生成器模型的训练过程，包括：
根据故障知识库中已知故障类型和对应的工况变量，构建已知与潜在故障类型的归一化多元表征向量；
建立生成器模型，所述生成器模型的输入为将所述已知与潜在故障类型的归一化表征向量与预先生成的固定维度的随机噪声进行拼接后的数据，所述生成器模型的输出为已知与潜在故障类型的虚拟样本；
建立判别器模型，所述判别器模型的输入为所述已知与潜在故障类型的虚拟样本和故障知识库中的真实样本，所述判别器模型的输出为样本二元真伪信息和类型信息；
从已知故障类型样本集中提取部分故障类型样本作为监督样本集，将去除监督样本集的已知故障类型样本集作为训练集，将监督样本集作为验证集，通过对抗训练方式循环优化所述生成器模型与所述判别器模型的参数集合，直至所述判别器模型对监督样本集的判别准确率达到预设准确率阈值，得到训练好的生成器模型。
根据本发明提供的一种故障知识库生成式更新方法，还包括：
将所述真实潜在故障样本加入已知故障样本集，训练更新所述生成器模型和所述判别器模型。
根据本发明提供的一种故障知识库生成式更新方法，所述归一化多元表征向量是将故障类型根据工况变量按维度进行拆分，并依据工况变量的极值进行多项式离散化与归一化得到的多维度离散描述向量。
根据本发明提供的一种故障知识库生成式更新方法，对所述潜在故障诊断模型进行微调，包括：
固定所述潜在故障诊断模型的特征提取器不变，微调所述潜在故障诊断模型的分类层以适应真实潜在故障样本的分布特征。
第二方面，本发明还提供一种故障知识库生成式更新***，包括：
获取模块，用于获取待测***中设备的工况数据；
更新模块，用于将所述工况数据输入潜在故障诊断模型，当所述潜在故障诊断模型识别到故障时，采集真实潜在故障样本，并对所述潜在故障诊断模型进行微调，更新故障知识库；
其中，所述潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；所述潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一种所述故障知识库生成式更新方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种所述故障知识库生成式更新方法的步骤。
本发明提供的故障知识库生成式更新方法、***、电子设备及介质，通过已知故障类型的工况演化模式生成潜在故障类型的虚拟样本，进而训练得到潜在故障诊断模型，通过潜在故障诊断模型可以准确的识别潜在故障并获得真实潜在故障样本，同时，通过真实潜在故障样本还可以对潜在故障诊断模型进行微调，从而进一步提高潜在故障诊断模型的可靠性，实现故障知识库的扩增与更新，能够为工业***中设备故障预警与维修决策提供数据支持。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的故障知识库生成式更新方法的整体流程示意图；
图2是本发明提供的故障知识库生成式更新方法的详细流程示意图；
图3是本发明提供的故障知识库生成式更新方法的实现原理示意图；
图4是本发明提供的故障知识库生成式更新***的结构架构示意图；
图5是本发明提供的电子设备的结构架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
附图1示出了本发明实施例提供的故障知识库生成式更新方法，包括：
S110：获取待测***中设备的工况数据；
S120：将工况数据输入潜在故障诊断模型，当潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对潜在故障诊断模型进行微调，并更新故障知识库；
其中，潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
具体地，潜在故障类型的虚拟样本的获取过程，包括：
选取潜在故障类型的归一化多元表征向量；
将潜在故障类型的归一化多元表征向量输入生成器模型，生成潜在故障类型的虚拟样本；
其中，生成器模型是基于已知与潜在故障类型的归一化多元表征向量与预先生成的固定维度的随机噪声的拼接结果经自监督对抗训练得到的。
本实施例中生成器模型在构建后，需要基于判别器模型进行自监督对抗训练才能正常应用，附图2示出了生成器模型与判别器模型的构建与训练、潜在故障诊断模型的构建以及故障知识库的更新过程，具体包括：
S210：构建归一化多元表征向量，即根据故障知识库中已知故障类型和对应的工况变量，构建已知与潜在故障类型的归一化多元表征向量。
本步骤中归一化多元表征向量是将故障类型根据工况变量按维度进行拆分，并依据工况变量的极值进行多项式离散化与归一化得到的多维度离散描述向量。多项式离散化与归一化中多项式参数取值取决于工况变化对应样本变化的关系，可通过计算方差等统计量的对应关系来辨识。
本实施例以CWRU(Case Western Reserve University，凯斯西储大学)轴承故障数据集为例，说明归一化多元表征向量的构建方法。CWRU数据集的实验装备包含电动机、扭矩传感器、译码器、功率测试计和控制器，对内圈I、滚动体B和外圈O对应的故障直径为0.007、0.014、0.021和0.028英寸的轴承，分别测试其负荷为0、1、2和3马力时的运行情况，并采集驱动端、风扇端和基座的加速度时序数据。
其中，内圈、滚动体和外圈分别对应三种不同的故障类型，故障直径和负荷程度则表示二维工况变量，选取一次函数作为多项式并将工况变量归一化为[0,1]范围内，即可得到对应的归一化多元表征向量。例如，直径为0.014英寸、负荷为2马力的内圈故障表示为[I,0.33,0.66]，其余表示方法类似，故不再赘述。
S220：构建生成器模型，即建立用于故障知识表达的生成器模型，将已知与潜在故障类型的归一化表征向量与采用随机序列发生器生成的固定维度的随机噪声进行拼接，并将拼接后的数据输入生成器模型，输出已知与潜在故障类型的虚拟样本。
在本步骤中，生成器模型基于神经网络架构搭建，选用卷积层或全连接层作为基础层，随机序列发生器生成标准高斯分布的伪随机序列，伪随机序列的维度根据已知故障类型样本变量维度及采样时间窗长度确定。
实施例设定时间窗长度为1024，将CWRU轴承故障数据集中的驱动端与风扇端数据进行首尾连接作为训练样本，设定伪随机序列的输出维度为100，工况变量维度为2，构建全连接深度网络作为生成器模型。定义FC、BN、LR分别表示全连接层、批标准化层和LeakyRelu激活层，定义[FC,BN,LR]为一个Block，生成器模型由5层Block和1层FC构成，特征维度变换序列为[100+2,128,256,512,1024,2048,2048]。
S230：构建判别器模型，即建立用于真伪辨识和类型划分的判别器模型，将已知与潜在故障类型的虚拟样本与故障知识库中的真实样本输入判别器模型，对已知与潜在故障类型的虚拟样本按批次施加近邻平滑约束，输出样本二元真伪信息和类型信息。
在本步骤中，判别器模型基于神经网络架构搭建，同样选用卷积层或全连接层作为基础层，模型的输出包括特征层、对抗层和分类层三个部分，分别对应最后特征层的输出、二元真伪输出和类型输出；近邻平滑约束用于限制训练批次内虚拟样本和近邻已知样本之间最后特征层神经元值的差异，从而保障生成虚拟样本与相邻样本之间不产生较大差异，提高生成样本的准确性。
本实施例令DO表示Dropout层，判别器模型的特征变换器架构可表示为[FC,LR,FC,DO,LR,FC,DO,LR]，对应的特征维度变换序列为[2048,256,128,64]并输出特征层。随后模型分叉为两个分支，其一后接FC层与Sigmod激活函数用于输出二元真伪信息，另一个后接FC层输出类型信息，可根据类型是否可提前确定添加Softmax激活函数。近邻平滑约束作用于特征层输出，对一个批次内所有虚拟样本提取相邻已知样本组成样本对。例如，假设[I,0.33,0]为潜在故障样本类型，其余为已知样本类型，则对应的相邻样本类型表示为[I,0,0.33]和[I,0.66,0.33]，循环搜索一个批次内所有的相邻样本类型与虚拟样本进行匹配。
S240：模型自监督对抗训练，即从已知故障类型样本集中提取部分故障类型样本作为监督样本集，将去除监督样本集的已知故障类型样本集作为训练集，将监督样本集作为验证集，通过对抗训练方式循环优化生成器模型与判别器模型的参数集合，直至判别器模型对监督样本集的判别准确率达到预设准确率阈值，得到训练好的生成器模型和判别器模型。
在本步骤中，由于潜在故障类型缺少实际样本，无法用于衡量判别器的训练效果，因此将部分已知故障类型样本作为监督样本，将监督样本验证准确率作为模型停止训练的指标。训练过程中，对于特征层、对抗层和分类层分别采用平均绝对误差、二元交叉熵、交叉熵或均方误差作为损失函数，生成器模型和判别器模型依次训练直到监督样本的验证准确率达到指定阈值。
S250：生成潜在故障样本并构建潜在故障诊断模型，即对潜在故障类型的归一化多元表征向量进行选取，输入训练好的生成器模型生成潜在故障类型的虚拟样本，构建潜在故障诊断模型，添加到故障知识库。
本步骤中潜在故障类型的归一化多元表征向量一般应处于已知故障类型归一化多元表征向量分布范围之内。
例如，已知故障轴承直径分别是0.007、0.014、0.021和0.028英寸，工况分别是0、1、2和3马力，因此，在潜在故障类型的归一化多元表征向量进行选取过程中，故障轴承直径与负荷马力应处于极值[0.007,0.028]和[0,3]范围内，从而保证生成潜在故障类型样本的可靠性。
当已知故障类型数量较少时，随机选取的误差较大，故优先选取与已知故障类型具有相同工况变量的故障类型作为潜在故障类型，生成虚拟样本并构建潜在故障诊断模型。对于潜在故障类型总量有界的情况，可采用判别器模型直接作为潜在故障诊断模型。
S260：基于实测样本微调潜在故障诊断模型，即实时监测***运行状态，当潜在故障诊断模型识别到故障发生时，采集真实潜在故障样本，并对潜在故障诊断模型进行微调，更新故障知识库。
具体地，采集到真实潜在故障样本后，固定潜在故障诊断模型的特征提取器不变，微调模型的分类层以适应真实样本的分布特征。
本实施例复制判别器模型作为潜在故障诊断模型，采集到真实潜在故障样本后，固定特征变换器的参数不变，微调分类层的参数以优化诊断模型准确率，原本的判别器模型参数保持不变。
为了使上述故障知识库生成式更新方法中生成器与判别器更加准确、可靠，还可以包括：
S270：基于真实潜在故障样本更新生成器模型与判别器模型，即将真实潜在故障样本加入已知故障样本集，训练更新生成器模型和判别器模型。
在本步骤中，仅将真实潜在故障样本作为训练集，在生成器模型与判别器模型参数集合的基础上进行优化调试。
图3示出了本发明实施例提供的故障知识库生成式更新方法的实现原理，通过挖掘故障工况变化、统计规律，构建描述已知和潜在故障工况类型的归一化多元表征向量，基于神经网络对抗学***滑约束的自监督对抗训练方式对模型进行训练，从而生成更加准确的潜在故障样本，并以此构建新的故障诊断模型以实现故障知识扩增，最后根据实测样本对诊断模型、生成器模型、判别器模型进行更新。
本发明实施例提供的故障知识库生成式更新方法，适用于故障类型多、样本少导致诊断模型不易构建的场景，能够根据已有故障类型的工况演化规则生成潜在故障类型样本并构建诊断模型，对工业***和设备故障预测与维修决策制定具有重要意义。
下面对本发明提供的故障知识库生成式更新***进行描述，下文描述的故障知识库生成式更新***与上文描述的故障知识库生成式更新方法可相互对应参照。
图4示出了本发明实施例提供的故障知识库生成式更新***，包括：
获取模块410，用于获取待测***中设备的工况数据；
更新模块420，用于将工况数据输入潜在故障诊断模型，当潜在故障诊断模型识别到故障时，采集真实潜在故障样本，并对潜在故障诊断模型进行微调，更新故障知识库；
其中，潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
在更新模块420中，潜在故障类型的虚拟样本在获取时，首先需要选取潜在故障类型的归一化多元表征向量，然后将潜在故障类型的归一化多元表征向量输入生成器模型，生成潜在故障类型的虚拟样本；其中，生成器模型是基于已知与潜在故障类型的归一化多元表征向量与预先生成的固定维度的随机噪声的拼接结果经自监督对抗训练得到的。
在本实施例中，潜在故障类型的归一化多元表征向量处于已知故障类型的归一化多元表征向量的分布范围之内。
具体地，生成器模型的训练过程，包括：
根据故障知识库中已知故障类型和对应的工况变量，构建已知与潜在故障类型的归一化多元表征向量；
建立生成器模型，将已知与潜在故障类型的归一化表征向量与预先生成的固定维度的随机噪声进行拼接，并将拼接后的数据作为生成器模型的输入，输出已知与潜在故障类型的虚拟样本；
建立判别器模型，将已知与潜在故障类型的虚拟样本与故障知识库中的真实样本作为判别器模型的输入，对已知与潜在故障类型的虚拟样本按批次施加近邻平滑约束，输出样本二元真伪信息和类型信息；
从已知故障类型样本集中提取部分故障类型样本作为监督样本集，将去除监督样本集的已知故障类型样本集作为训练集，将监督样本集作为验证集，通过对抗训练方式循环优化生成器模型与判别器模型的参数集合，直至判别器模型对监督样本集的判别准确率达到预设准确率阈值，得到训练好的生成器模型。
更优地，本发明实施例提供的故障知识库生成式更新***，还包括：
优化模块，用于将真实潜在故障样本加入已知故障样本集，训练更新生成器模型和判别器模型。
可以理解的是，本发明实施例中提到的归一化多元表征向量，是将故障类型根据工况变量按维度进行拆分，并依据工况变量的极值进行多项式离散化与归一化得到的多维度离散描述向量。
在更新模块420中，通过固定潜在故障诊断模型的特征提取器不变，微调潜在故障诊断模型的分类层，实现模型微调，以适应真实潜在故障样本的分布特征。
本发明实施例提供的故障知识库生成式更新***，利用已知故障类型的工况演化模式生成潜在故障类型的虚拟样本，进而训练得到潜在故障诊断模型，通过潜在故障诊断模型可以准确的识别故障并获得真实潜在故障样本，同时，通过真实潜在故障样本还可以对潜在故障诊断模型进行微调，从而进一步提高潜在故障诊断模型的可靠性，该***能够实现故障知识库的扩增与更新，能够为工业***中设备故障预警与维修决策提供数据支持。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行故障知识库生成式更新方法，该方法包括：获取待测***中设备的工况数据；将工况数据输入潜在故障诊断模型，当潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对潜在故障诊断模型进行微调，并更新故障知识库；其中，潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的故障知识库生成式更新方法，该方法包括：获取待测***中设备的工况数据；将工况数据输入潜在故障诊断模型，当潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对潜在故障诊断模型进行微调，并更新故障知识库；其中，潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的故障知识库生成式更新方法，该方法包括：获取待测***中设备的工况数据；将工况数据输入潜在故障诊断模型，当潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对潜在故障诊断模型进行微调，并更新故障知识库；其中，潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种故障知识库生成式更新方法，其特征在于，包括：
获取待测***中设备的工况数据；
将所述工况数据输入潜在故障诊断模型，当所述潜在故障诊断模型识别到故障时，采集真实潜在故障样本，对所述潜在故障诊断模型进行微调，并更新故障知识库；
其中，所述潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；所述潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
2.根据权利要求1所述的一种故障知识库生成式更新方法，其特征在于，所述潜在故障类型的虚拟样本的获取过程，包括：
选取潜在故障类型的归一化多元表征向量；
将所述潜在故障类型的归一化多元表征向量输入生成器模型，生成潜在故障类型的虚拟样本；
其中，所述生成器模型是基于已知与潜在故障类型的归一化多元表征向量与预先生成的固定维度的随机噪声的拼接结果经自监督对抗训练得到的。
3.根据权利要求2所述的一种故障知识库生成式更新方法，其特征在于，所述潜在故障类型的归一化多元表征向量处于已知故障类型的归一化多元表征向量的分布范围之内。
4.根据权利要求2所述的一种故障知识库生成式更新方法，其特征在于，所述生成器模型的训练过程，包括：
根据故障知识库中已知故障类型和对应的工况变量，构建已知与潜在故障类型的归一化多元表征向量；
建立生成器模型，所述生成器模型的输入为将所述已知与潜在故障类型的归一化表征向量与预先生成的固定维度的随机噪声进行拼接后的数据，所述生成器模型的输出为已知与潜在故障类型的虚拟样本；
建立判别器模型，所述判别器模型的输入为所述已知与潜在故障类型的虚拟样本和故障知识库中的真实样本，所述判别器模型的输出为样本二元真伪信息和类型信息；
从已知故障类型样本集中提取部分故障类型样本作为监督样本集，将去除监督样本集的已知故障类型样本集作为训练集，将监督样本集作为验证集，通过对抗训练方式循环优化所述生成器模型与所述判别器模型的参数集合，直至所述判别器模型对监督样本集的判别准确率达到预设准确率阈值，得到训练好的生成器模型。
5.根据权利要求4所述的一种故障知识库生成式更新方法，其特征在于，还包括：
将所述真实潜在故障样本加入已知故障样本集，训练更新所述生成器模型和所述判别器模型。
6.根据权利要求1所述的一种故障知识库生成式更新方法，其特征在于，所述归一化多元表征向量是将故障类型根据工况变量按维度进行拆分，并依据工况变量的极值进行多项式离散化与归一化得到的多维度离散描述向量。
7.根据权利要求1所述的一种故障知识库生成式更新方法，其特征在于，对所述潜在故障诊断模型进行微调，包括：
固定所述潜在故障诊断模型的特征提取器不变，微调所述潜在故障诊断模型的分类层以适应真实潜在故障样本的分布特征。
8.一种故障知识库生成式更新***，其特征在于，包括：
获取模块，用于获取待测***中设备的工况数据；
更新模块，用于将所述工况数据输入潜在故障诊断模型，当所述潜在故障诊断模型识别到故障时，采集真实潜在故障样本，并对所述潜在故障诊断模型进行微调，更新故障知识库；
其中，所述潜在故障诊断模型是基于潜在故障类型的虚拟样本训练得到的；所述潜在故障类型的虚拟样本是基于潜在故障类型的归一化多元表征向量根据已知故障类型的工况演化模式生成的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述故障知识库生成式更新方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述故障知识库生成式更新方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110949315.0A CN113850292A (zh) | 2021-08-18 | 2021-08-18 | 故障知识库生成式更新方法、***、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110949315.0A CN113850292A (zh) | 2021-08-18 | 2021-08-18 | 故障知识库生成式更新方法、***、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850292A true CN113850292A (zh) | 2021-12-28 |
Family
ID=78975929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110949315.0A Pending CN113850292A (zh) | 2021-08-18 | 2021-08-18 | 故障知识库生成式更新方法、***、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850292A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821697A (zh) * | 2023-08-30 | 2023-09-29 | 聊城莱柯智能机器人有限公司 | 一种基于小样本学习的机械设备故障诊断方法 |
-
2021
- 2021-08-18 CN CN202110949315.0A patent/CN113850292A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821697A (zh) * | 2023-08-30 | 2023-09-29 | 聊城莱柯智能机器人有限公司 | 一种基于小样本学习的机械设备故障诊断方法 |
| CN116821697B (zh) * | 2023-08-30 | 2024-05-28 | 聊城莱柯智能机器人有限公司 | 一种基于小样本学习的机械设备故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Mahmoud et al. | Stochastic stability analysis of fault-tolerant control systems in the presence of noise | |
| KR102365150B1 (ko) | 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치 | |
| CN111783362B (zh) | 一种电动闸阀剩余使用寿命确定方法及*** | |
| CN112052172B (zh) | 第三方通道的快速测试方法、装置和电子设备 | |
| CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
| CN108879732B (zh) | 电力***暂态稳定评估方法及装置 | |
| CN113900845A (zh) | 一种基于神经网络的微服务故障诊断的方法和存储介质 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN112821424B (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
| de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
| CN112052871A (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及*** | |
| Bilski et al. | Automated diagnostics of analog systems using fuzzy logic approach | |
| CN113850292A (zh) | 故障知识库生成式更新方法、***、电子设备及介质 | |
| CN114742122A (zh) | 设备故障诊断方法、装置、电子设备以及存储介质 | |
| CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
| CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
| CN117540262A (zh) | 一种基于前馈与反馈结合的变压器故障预测建模方法 | |
| CN110968949A (zh) | 一种高速列车车载设备电磁敏感性预测模型的建模方法 | |
| CN107665185A (zh) | 一种基于短信业务的客户行为分析方法及相关装置 | |
| CN109992507B (zh) | 基于模拟执行的程序模糊测试方法及装置 | |
| CN112906914A (zh) | 轨道交通it设备故障分析方法、装置和电子设备 | |
| CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
| CN109657285A (zh) | 汽轮机转子瞬态应力的检测方法 | |
| CN117277422B (zh) | 一种直驱风电场稳定评估方法、***、终端及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |