CN114742122A - 设备故障诊断方法、装置、电子设备以及存储介质 - Google Patents

设备故障诊断方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114742122A
CN114742122A CN202210178941.9A CN202210178941A CN114742122A CN 114742122 A CN114742122 A CN 114742122A CN 202210178941 A CN202210178941 A CN 202210178941A CN 114742122 A CN114742122 A CN 114742122A
Authority
CN
China
Prior art keywords
model
fault diagnosis
determining
data set
fault
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
Application number
CN202210178941.9A
Other languages
English (en)
Inventor
谭杰
王焕杰
刘振杰
白熹微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202210178941.9A priority Critical patent/CN114742122A/zh
Publication of CN114742122A publication Critical patent/CN114742122A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供一种设备故障诊断方法、装置、电子设备以及存储介质，该方法包括：根据目标故障数据确定源域训练数据集以及目标域训练数据集；目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；根据源域训练数据集以及故障诊断训练模型，确定第一模型参数；根据第一模型参数、源域训练数据集、目标域训练数据集、预设模型参数以及故障诊断训练模型确定第二模型参数；根据第二模型参数以及故障诊断训练模型确定故障诊断模型；根据故障诊断模型对待诊断设备进行故障诊断。通过其他设备的故障数据训练待诊断设备的故障诊断模型，实现已有故障数据向待诊断设备的故障诊断模型的知识迁移，提高了训练故障诊断模型的多样性。

Description

设备故障诊断方法、装置、电子设备以及存储介质
技术领域
本申请涉及设备故障诊断技术领域，尤其涉及一种设备故障诊断方法、装置、电子设备以及存储介质。
背景技术
随着工业设备向着大型化、复杂化、集成化、智能化不断推进，工业设备的退化过程和故障模式日趋复杂，对故障检测和诊断算法的需求和要求日益增高。在工业大数据的背景下，得益于深度学习强大的模型构建和学习能力，数据驱动的智能故障诊断变得自动化和有效。
然而，工业设备运行过程复杂，采集的数据具有大规模、维度高、多模态、非线性等特征，导致数据驱动的智能故障诊断技术在实际应用中会面对如下问题：由于待诊断设备在运行过程中无法提前获得故障数据，故无法有针对性地训练故障诊断模型，从而确定待诊断设备的故障情况。
发明内容
本申请提供一种设备故障诊断方法、装置、电子设备以及存储介质，用以解决现有技术中待诊断设备在运行过程中无法提前获得故障数据，从而无法有针对性地训练故障诊断模型的缺陷，实现通过其他设备的故障数据训练待诊断设备的故障诊断模型，使得已有故障数据向待诊断设备的故障诊断模型的知识迁移，提高了训练故障诊断模型的多样性。
本申请提供一种设备故障诊断方法，包括：
根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
根据所述故障诊断模型对所述待诊断设备进行故障诊断。
根据本申请提供的一种设备故障诊断方法，所述根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数包括：
根据所述源域训练数据集以及所述故障诊断训练模型，确定第一监督学习损失值；
根据所述第一监督学习损失值以及所述预设模型参数，确定所述第一模型参数。
对应地，所述根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数包括：
根据所述第一模型参数更新所述故障诊断训练模型，得到更新后的故障诊断训练模型；
根据所述目标域训练数据集和更新后的故障诊断训练模型，确定第二监督学习损失值；
根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值；
根据所述预设模型参数、所述第一监督学习损失值、所述第二监督学习损失值、所述判别损失值以及所述距离损失值，确定所述第二模型参数。
对应地，所述根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值包括：
确定所述源域训练数据集以及所述目标域训练数据集之间的相同类别数据；
确定所述相同类别数据的特征均值；
根据所述特征均值确定所述距离损失值。
对应地，所述确定所述相同类别数据的特征均值包括：
确定所述相同类型数据对应的数据特征和样本数量；
根据所述数据特征和所述样本数量确定所述特征均值。
对应地，所述根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值包括：
确定所述源域训练数据集以及所述目标域训练数据集中样本数据之间的欧式距离；
根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值。
对应地，所述根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值包括：
若所述样本数据的标签相同，则根据所述欧式距离确定所述别损失值；
若所述样本数据的标签不同，则根据预设值和所述欧式距离确定所述别损失值。
本申请还提供一种设备故障诊断装置，包括：
第一确定模块，用于根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
训练模块，用于根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
第二确定模块，用于根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
更新模块，用于根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
诊断模块，用于根据所述故障诊断模型对所述待诊断设备进行故障诊断。
本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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如上述任一种所述设备故障诊断方法。
本申请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如上述任一种所述设备故障诊断方法。
本申请提供的设备故障诊断方法、装置、电子设备以及存储介质，通过根据与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据确定源域训练数据集以及目标域训练数据集，然后，根据预设模型参数、源域训练数据集、目标域训练数据集以及故障诊断训练模型确定第二模型参数，再根据第二模型参数以及故障诊断训练模型确定故障诊断模型，基于此，通过其他设备的故障数据训练待诊断设备的故障诊断模型，实现了已有故障数据向待诊断设备的故障诊断模型的知识迁移，确保了待诊断设备在运行过程中无法提前获取故障数据时，可以基于其他设备的故障数据训练故障诊断模型，从而提高训练故障诊断模型的多样性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请提供的设备故障诊断方法的流程示意图之一；
图2是本申请提供的设备故障诊断方法的流程示意图之二；
图3是本申请提供的确定故障诊断模型的流程示意图；
图4是本申请提供的确定模型参数的流程示意图；
图5是本申请提供的确定第二模型参数的流程示意图；
图6是本申请提供的设备故障诊断装置的结构示意图；
图7是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
由于工业设备运行过程复杂，采集的数据具有大规模、维度高、多模态、非线性等特征，导致数据驱动的智能故障诊断技术在实际应用中会出现如下问题：
(1)多传感器采集下的数据具有很高的维度，同时各个维度之间可能存在强关联性；
(2)采集到的数据类别严重不平衡，绝大部分是健康状态的数据，故障数据稀疏；
(3)待诊断的目标工业设备在运行过程中无法提前获得故障数据，无法有针对性地训练故障诊断模型；
(4)相同故障类型但不同故障模式的数据分布存在差异。
基于此，本申请提出以下各个实施例，通过改进故障诊断模型参数优化过程，促使模型利用多个与待诊断设备具有不同故障模式的不同数据源数据进行模型学习的过程中，关注不同数据源共有的故障知识，使学到的故障知识具有可迁移性，然后，基于该故障知识训练待诊断设备的故障诊断模型，从而提高了训练故障诊断模型的多样性。
下面结合图1-图7描述本申请的设备故障诊断方法、装置、电子设备以及存储介质。
具体地，本申请提供一种设备故障诊断方法，参照图1，图1是本申请提供的设备故障诊断方法的流程示意图之一。
本申请实施例提供了设备故障诊断方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。
本申请实施例以电子设备作为执行主体进行举例，所述设备故障诊断方法包括：
步骤S10，根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
需要说明的是，由于多传感器采集下工业设备的数据具有很高的维度，同时各个维度之间可能存在强关联性，基于此，在没有获取到待诊断设备故障数据的条件下，可利用其他工业设备的故障数据构建目标工业设备的故障诊断模型。
具体地，获取多个与待诊断设备具有相同故障类型，但具有不同故障模式的不同数据源数据，其中，数据源是指其他工业设备，数据源数据是指从其他工业设备采集的设备数据，如故障数据。其中，同种故障类型包括多种故障模式，例如，假设工业设备为滚筒，其故障类型包括轴承外圈损伤、轴承内圈损伤以及滚球损伤等，而轴承外圈损伤对应的故障模式包括粘合磨损、异物剥落、疲劳剥落、单点(多点)点蚀等。
进一步地，基于该数据源数据构建可用数据集
Figure BDA0003521546510000071
再从可用数据集的多个不同数据源数据中随机选择两个数据源数据，标记为源域训练数据集Dtrs以及目标域训练数据集Dtrt，可选地，还标记为训练域数据Dtrs以及测试域数据Dtrt。
可以理解的是，具有不同故障模式的不同数据源数据表示获取可用数据集中的数据与待诊断设备的数据分布存在差异，不同数据源数据采集条件与待诊断设备不同，例如工作条件、工作负载、环境噪声以及设备结构等。基于此，通过构建的多个不同数据源的可用数据集，利用知识泛化方法抽取可用数据集中的共有知识，从而提高整个故障诊断模型的泛化能力。
步骤S20，根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
需要说明的是，故障诊断训练模型包括特征提取模块Fψ和故障判别模块Tθ，其中，模型参数为Θ＝(θ,ψ)，该模型参数Θ为预设模型参数，即初始模型参数。
具体地，根据源域训练数据集以及故障诊断训练模型，确定第一模型参数，具体如步骤S21至步骤S22所述。
进一步地，步骤S21至步骤S22的具体描述如下：
步骤S21，根据所述源域训练数据集以及所述故障诊断训练模型，确定第一监督学习损失值；
步骤S22，根据所述第一监督学习损失值以及所述预设模型参数，确定所述第一模型参数。
需要说明的是，监督学习(supervisedlearning)的任务是通过训练数据学习一个模型，使模型能够对任意未知的输入，对其相应的输出做出一个预测(预测值与真实值相近)。而监督学习损失值是监督学习中的损失函数对应的数值，用于评估样本的真实值和模型预测值之间的不一致程度。
具体地，采用源域训练数据集Dtrs训练故障诊断训练模型，在模型训练的过程中，计算第一监督学习损失值Ltrs(Θ)，其中，第一监督学习损失值使用交叉熵损失计算，公式如下：
Figure BDA0003521546510000081
其中，N为数据集样本个数，xi为第i个样本，yi为第i个样本的标签，Fψ为特征提取模块，Tθ为故障判别模块，log()为对数函数，softmax()的函数表达式为：
Figure BDA0003521546510000082
其中，hi为模型C维输出的第i维标量，C为样本类别数。
进一步地，在确定第一监督学习损失值Ltrs(Θ)后，通过第一监督学习损失值Ltrs(Θ)以及预设模型参数Θ计算故障诊断训练模型的第一模型参数Θ'，其中，第一模型参数Θ'的计算公式如下：
Figure BDA0003521546510000083
其中，Θ为预设模型参数，α为模型参数更新的步长值，
Figure BDA0003521546510000084
为第一监督学习损失值的梯度值。
本实施例通过根据源域训练数据集以及故障诊断训练模型确定第一监督学习损失值，再根据第一监督学习损失值以及预设模型参数确定第一模型参数，可以评估样本的真实值和模型预测值之间的不一致程度，从而提高训练故障诊断模型的准确性。
步骤S30，根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
具体地，根据源域训练数据集以及目标域训练数据集，确定距离损失值以及判别损失值，然后，根据预设模型参数、第一监督学习损失值、第二监督学习损失值、判别损失值以及距离损失值，确定第二模型参数。具体如步骤S31至步骤S34所述。
步骤S40，根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
具体地，采用第一模型参数Θ'对故障诊断训练模型进行更新得到更新后的故障诊断训练模型，然后，采用第二模型参数Θ”对更新后的故障诊断训练模型进行再次更新，得到故障诊断模型。
步骤S50，根据所述故障诊断模型对所述待诊断设备进行故障诊断。
具体地，在训练得到故障诊断模型后，将故障诊断模型应用到工业设备的真实场景，实现对目标工业设备的实时故障诊断。例如，在没有获取到待诊断设备的故障数据之前，采用其他设备的故障数据训练得到的故障诊断模型对待诊断设备进行诊断，如此，可确定待诊断设备是否出现故障，若出现故障，则可通知相应的技术人员进行维修，或者基于故障问题对应的维修方案进行自动维修，从而提高待诊断设备运行的安全性。
例如，参考图3，图3是本申请提供的确定故障诊断模型的流程示意图。
具体地，设备诊断故障模型的生成分为两个阶段，分别为训练阶段和测试阶段。在训练阶段，通过获取多个与待诊断设备具有相同故障类型，但具有不同故障模式的不同数据源数据，然后，基于该数据源数据构建可用数据集。进一步地，采用可用数据集中的数据对故障诊断训练模型进行训练，同时在训练的过程中计算第一监督学习损失值，然后基于该第一监督学习损失值更新故障诊断训练模型。进一步地，采用目标设备运行数据(即目标域训练数据集)对更新后的故障诊断训练模型进行训练，同时在训练的过程中计算第二监督学习损失值，最后根据预设模型参数、第一监督学习损失值、第二监督学习损失值以及其他损失值确定第二模型参数，再基于该第二模型参数对更新后的故障诊断训练模型进行再次更新得到故障诊断模型。最后，将故障诊断模型应用到工业设备的真实场景，实现对目标工业设备的运行状态实时判断，从而提高待诊断设备运行的安全性。
本实施例通过根据与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据确定源域训练数据集以及目标域训练数据集，然后，根据预设模型参数、源域训练数据集、目标域训练数据集以及故障诊断训练模型确定第二模型参数，再根据第二模型参数以及故障诊断训练模型确定故障诊断模型，基于此，通过其他设备的故障数据训练待诊断设备的故障诊断模型，实现了已有故障数据向待诊断设备的故障诊断模型的知识迁移，确保了待诊断设备在运行过程中无法提前获取故障数据时，可以基于其他设备的故障数据训练故障诊断模型，从而提高训练故障诊断模型的多样性。
进一步地，参考图2，图2是本申请提供的设备故障诊断方法的流程示意图之二，所述步骤S30包括：
步骤S31，根据所述第一模型参数更新所述故障诊断训练模型，得到更新后的故障诊断训练模型；
步骤S32，根据所述目标域训练数据集和更新后的故障诊断训练模型，确定第二监督学习损失值；
步骤S33，根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值；
步骤S34，根据所述预设模型参数、所述第一监督学习损失值、所述第二监督学习损失值、所述判别损失值以及所述距离损失值，确定所述第二模型参数。
具体地，采用第一模型参数Θ'对故障诊断训练模型进行更新得到更新后的故障诊断训练模型，然后，采用目标域训练数据集Dtrt训练参数更新后的模型，在模型训练的过程中，计算第二监督学习损失值Ltrt(Θ′)，其中，第二监督学习损失值使用交叉熵损失计算，公式如下：
Figure BDA0003521546510000111
其中，N为数据集样本个数，xi为第i个样本，yi为第i个样本的标签，Tψ'为更新后的故障诊断训练模型的特征提取模块，Tθ'为更新后的故障诊断训练模型的故障判别模块，log()为对数函数，softmax()的函数表达式为：
Figure BDA0003521546510000112
其中，hi为模型C维输出的第i维标量，C为样本类别数。
进一步地，根据源域训练数据集以及目标域训练数据集，确定距离损失值以及判别损失值，具体如步骤S330至步骤S332，以及步骤S333至步骤S334所述。
进一步地，步骤S330至步骤S332的具体描述如下：
步骤S330，确定所述源域训练数据集以及所述目标域训练数据集之间的相同类别数据；
步骤S331，确定所述相同类别数据的特征均值；
步骤S332，根据所述特征均值确定所述距离损失值。
具体地，通过更新后的故障诊断训练模型的特征提取模块Fψ′从源域训练数据集以及目标域训练数据集之间提取相同类别数据，然后确定相同类型数据对应的数据特征和样本数量，再根据数据特征和样本数量确定特征均值。例如，对于类别c，特征均值计算公式如下：
Figure BDA0003521546510000121
以及
Figure BDA0003521546510000122
其中，
Figure BDA0003521546510000123
和
Figure BDA0003521546510000124
分别表示源域训练数据集和目标域训练数据集中类别c数据的特征均值；nc为类别c的样本数；
Figure BDA0003521546510000125
和
Figure BDA0003521546510000126
分别表示源域训练数据集和目标域训练数据集中的第i个样本；
Figure BDA0003521546510000127
和
Figure BDA0003521546510000128
分别表示基于更新后的故障诊断训练模型的特征提取模块Fψ′对源域训练数据集和目标域训练数据集中的样本数据提取到的特征。
进一步地，根据特征均值确定距离损失值Lgfr(Θ′)，其中，距离损失值使用JS散度计算，公式如下：
Figure BDA0003521546510000129
其中，DKL()为KL散度，
Figure BDA00035215465100001210
其中，p与q为两种不同的数据分布，C为样本类别数，
Figure BDA00035215465100001211
为源域训练数据集中类别c数据的特征均值，
Figure BDA00035215465100001212
为目标域训练数据集中类别c数据的特征均值。
本实施例通过从源域训练数据集以及目标域训练数据集之间提取相同类别数据，然后，确定相同类别数据的特征均值，再根据特征均值确定距离损失值，如此，可以对齐源域训练数据集以及目标域训练数据集之间相同类别数据的数据特征，从而提高训练故障诊断模型的准确性。
进一步地，步骤S333至步骤S334的具体描述如下：
步骤S333，确定所述源域训练数据集以及所述目标域训练数据集中样本数据之间的欧式距离；
步骤S334，根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值。
将源域训练数据集和目标域训练数据集混合，然后，计算判别损失值Llfr(Θ′)，用于约束相同类别的特征靠近，不同类别的特征远离。具体地，确定源域训练数据集以及目标域训练数据集中样本数据之间的欧式距离，然后，根据样本数据的标签以及欧式距离，确定判别损失值。例如，若样本数据的标签相同，则根据欧式距离确定别损失值；若样本数据的标签不同，则根据预设值和欧式距离确定别损失值。其中，判别损失值使用对比损失计算，公式如下：
Figure BDA0003521546510000131
其中，d(sn,sm)表示两个样本数据特征之间的欧氏距离，其中yn，ym为样本数据n和样本数据m的标签，ξ为设置阈值。
进一步地，根据预设模型参数、第一监督学习损失值、第二监督学习损失值、判别损失值以及距离损失值，确定第二模型参数。具体地，确定故障诊断训练模型的更新步长γ、损失权重β1、超参数β2和β3，然后，根据更新步长γ、损失权重β1、超参数β2和β3、预设模型参数、第一监督学习损失值、第二监督学习损失值、判别损失值以及距离损失值，确定第二模型参数，其中，第二模型参数的计算公式为：
Figure BDA0003521546510000141
其中，Lfr(Θ′)＝β2Lgfr(Θ′)+β3Llfr(Θ′)，β2和β3为设置的超参数，
Figure BDA0003521546510000142
表示求导。
进一步地，参考图4，图4是本申请提供的确定模型参数的流程示意图；
在本实施例中，故障诊断训练模型初始化了一个模型参数，即预设模型参数Θ，然后根据预设模型参数计算第一监督学习损失值，再根据第一监督学习损失值确定第一模型参数Θ'，进一步根据预设模型参数、第一模型参数、第一监督学习损失值、第二监督学习损失值以及其他损失值确定第二模型参数Θ”。在确定第二模型参数Θ”后，需要判断模型训练是否终止，如果模型训练没有终止，则将第二模型参数赋值给预设模型参数，如Θ＝Θ”，再次根据新赋值的预设模型参数Θ计算第一模型参数Θ'和第二模型参数Θ”，直至模型训练终止，此时，采用最后一次计算得到的第二模型参数Θ”更新故障诊断训练模型得到故障诊断模型。其中，可通过训练次数或者损失值判断模型训练是否终止，例如，假设预设设置模型训练次数为5次，那么模型在训练5次后，便终止训练；或者，当模型的损失值达到设定阈值时，终止训练。
本实施例通过确定源域训练数据集以及目标域训练数据集中样本数据之间的欧式距离，然后，根据样本数据的标签以及欧式距离确定判别损失值，可以约束相同类别的数据特征靠近，不同类别的数据特征远离，从而提高训练故障诊断模型的准确性。
例如，参考图5，图5是本申请提供的确定第二模型参数的流程示意图。
具体地，基于该数据源数据构建可用数据集
Figure BDA0003521546510000151
可用数据集中包括目标故障数据，再从可用数据集的多个不同数据源数据中随机选择两个数据源数据，标记为源域训练数据集Dtrs以及目标域训练数据集Dtrt。
进一步地，利用源域训练数据集Dtrs训练故障诊断训练模型，在模型训练的过程中，计算第一监督学习损失值Ltrs(Θ)，然后，通过第一监督学习损失值Ltrs(Θ)以及预设模型参数Θ计算故障诊断训练模型的第一模型参数Θ'，再采用第一模型参数Θ'更新故障诊断训练模型，再利用目标域训练数据集Dtrt训练参数更新后的故障诊断训练模型，并在模型训练的过程中，计算第二监督学习损失值Ltrt(Θ′)。
进一步地，通过更新后的故障诊断训练模型的特征提取模块Fψ′从源域训练数据集和目标域训练数据集中提取相同类别数据，然后确定相同类型数据对应的数据特征和样本数量，再根据数据特征和样本数量确定特征均值，再根据特征均值确定距离损失值Lgfr(Θ′)。
进一步地，将源域训练数据集和目标域训练数据集混合，然后，计算判别损失值Llfr(Θ′)，用于约束相同类别的特征靠近，不同类别的特征远离。具体地，确定源域训练数据集以及目标域训练数据集中样本数据之间的欧式距离，然后，根据样本数据的标签以及欧式距离，确定判别损失值。
进一步地，利用预设模型参数Θ、第一监督学习损失值Ltrs(Θ)、第二监督学习损失值Ltrt(Θ′)、距离损失值Lgfr(Θ′)以及判别损失值Llfr(Θ′)确定第二模型参数。其中，第二模型参数的公式如下：
Figure BDA0003521546510000161
其中，γ为模型更新步长，
Figure BDA0003521546510000162
表示求导，β为损失权重，而Lfr(Θ′)＝β2Lgfr(Θ′)+β3Llfr(Θ′)，β2和β3为设置的超参数。
然后，更新第二模型参数Θ”得到故障诊断模型，将故障诊断模型应用到工业设备的真实场景，如此，实现对目标工业设备的实时故障诊断，从而提高待诊断设备运行的安全性。
本实施例通过根据第一模型参数以及故障诊断训练模型确定第二模型参数，然后，根据源域训练数据集以及目标域训练数据集确定距离损失值以及判别损失值，再根据预设模型参数以及各个损失值确定第二模型参数，如此，可以确定故障诊断训练模型的更新参数，然后更新故障诊断训练模型，从而提高故障诊断模型的准确性，同时，提高故障诊断模型对待诊断设备进行诊断的准确性，继而提高待诊断设备运行的安全性。
图6是本申请提供的设备故障诊断装置的结构示意图，参照图6，本申请的实施例提供了一种设备故障诊断装置，包括第一确定模块601，训练模块602，第二确定模块603，更新模块604以及诊断模块605，其中，
所述第一确定模块601，用于根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
所述训练模块602，用于根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
所述第二确定模块603，用于根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
所述更新模块604，用于根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
所述诊断模块605，用于根据所述故障诊断模型对所述待诊断设备进行故障诊断。
本实施例提供的设备故障诊断装置，通过根据与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据确定源域训练数据集以及目标域训练数据集，然后，根据预设模型参数、源域训练数据集、目标域训练数据集以及故障诊断训练模型确定第二模型参数，再根据第二模型参数以及故障诊断训练模型确定故障诊断模型，基于此，通过其他设备的故障数据训练待诊断设备的故障诊断模型，实现了已有故障数据向待诊断设备的故障诊断模型的知识迁移，确保了待诊断设备在运行过程中无法提前获取故障数据时，可以基于其他设备的故障数据训练故障诊断模型，从而提高训练故障诊断模型的多样性。
在一个实施例中，所述训练模块602具体用于：
根据所述源域训练数据集以及所述故障诊断训练模型，确定第一监督学习损失值；
根据所述第一监督学习损失值以及所述预设模型参数，确定所述第一模型参数。
在一个实施例中，所述第二确定模块603具体用于：
根据所述第一模型参数更新所述故障诊断训练模型，得到更新后的故障诊断训练模型；
根据所述目标域训练数据集和更新后的故障诊断训练模型，确定第二监督学习损失值；
根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值；
根据所述预设模型参数、所述第一监督学习损失值、所述第二监督学习损失值、所述判别损失值以及所述距离损失值，确定所述第二模型参数。
在一个实施例中，所述第二确定模块603具体用于：
确定所述源域训练数据集以及所述目标域训练数据集之间的相同类别数据；
确定所述相同类别数据的特征均值；
根据所述特征均值确定所述距离损失值。
在一个实施例中，所述第二确定模块603具体用于：
确定所述相同类型数据对应的数据特征和样本数量；
根据所述数据特征和所述样本数量确定所述特征均值。
在一个实施例中，所述第二确定模块603具体用于：
确定所述源域训练数据集以及所述目标域训练数据集中样本数据之间的欧式距离；
根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值。
在一个实施例中，所述第二确定模块603具体用于：
若所述样本数据的标签相同，则根据所述欧式距离确定所述别损失值；
若所述样本数据的标签不同，则根据预设值和所述欧式距离确定所述别损失值。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行设备故障诊断方法，该方法包括：
根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
根据所述故障诊断模型对所述待诊断设备进行故障诊断。
此外，上述的存储器730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，本申请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)执行本申请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，本申请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方法提供的设备故障诊断方法，该方法包括：
根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
根据所述故障诊断模型对所述待诊断设备进行故障诊断。
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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种设备故障诊断方法，其特征在于，包括：
根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
根据所述故障诊断模型对所述待诊断设备进行故障诊断。
2.根据权利要求1所述的设备故障诊断方法，其特征在于，所述根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数包括：
根据所述源域训练数据集以及所述故障诊断训练模型，确定第一监督学习损失值；
根据所述第一监督学习损失值以及所述预设模型参数，确定所述第一模型参数。
3.根据权利要求2所述的设备故障诊断方法，其特征在于，所述根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数包括：
根据所述第一模型参数更新所述故障诊断训练模型，得到更新后的故障诊断训练模型；
根据所述目标域训练数据集和更新后的故障诊断训练模型，确定第二监督学习损失值；
根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值；
根据所述预设模型参数、所述第一监督学习损失值、所述第二监督学习损失值、所述判别损失值以及所述距离损失值，确定所述第二模型参数。
4.根据权利要求3所述的设备故障诊断方法，其特征在于，所述根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值包括：
确定所述源域训练数据集以及所述目标域训练数据集之间的相同类别数据；
确定所述相同类别数据的特征均值；
根据所述特征均值确定所述距离损失值。
5.根据权利要求4所述的设备故障诊断方法，其特征在于，所述确定所述相同类别数据的特征均值包括：
确定所述相同类型数据对应的数据特征和样本数量；
根据所述数据特征和所述样本数量确定所述特征均值。
6.根据权利要求3所述的设备故障诊断方法，其特征在于，所述根据所述源域训练数据集以及所述目标域训练数据集，确定距离损失值以及判别损失值包括：
确定所述源域训练数据集以及所述目标域训练数据集中样本数据之间的欧式距离；
根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值。
7.根据权利要求6所述的设备故障诊断方法，其特征在于，所述根据所述样本数据的标签以及所述欧式距离，确定所述判别损失值包括：
若所述样本数据的标签相同，则根据所述欧式距离确定所述别损失值；
若所述样本数据的标签不同，则根据预设值和所述欧式距离确定所述别损失值。
8.一种设备故障诊断装置，其特征在于，包括：
第一确定模块，用于根据目标故障数据确定源域训练数据集以及目标域训练数据集；所述目标故障数据是与待诊断设备具有相同故障类型以及不同故障模式的设备的故障数据；
训练模块，用于根据所述源域训练数据集以及故障诊断训练模型，确定第一模型参数；
第二确定模块，用于根据所述第一模型参数、所述源域训练数据集、所述目标域训练数据集、预设模型参数以及所述故障诊断训练模型确定第二模型参数；
更新模块，用于根据所述第二模型参数以及所述故障诊断训练模型确定故障诊断模型；
诊断模块，用于根据所述故障诊断模型对所述待诊断设备进行故障诊断。
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任一项所述设备故障诊断方法。
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任一项所述设备故障诊断方法。
CN202210178941.9A 2022-02-25 2022-02-25 设备故障诊断方法、装置、电子设备以及存储介质 Pending CN114742122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210178941.9A CN114742122A (zh) 2022-02-25 2022-02-25 设备故障诊断方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210178941.9A CN114742122A (zh) 2022-02-25 2022-02-25 设备故障诊断方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN114742122A true CN114742122A (zh) 2022-07-12

Family

ID=82275170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210178941.9A Pending CN114742122A (zh) 2022-02-25 2022-02-25 设备故障诊断方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114742122A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN117575565A (zh) * 2023-11-15 2024-02-20 重庆雄川科技有限公司 基于工业互联网的自动化设备故障监测方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353373A (zh) * 2019-11-29 2020-06-30 盐城工学院 一种相关对齐域适应故障诊断方法
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112200114A (zh) * 2020-10-20 2021-01-08 上海明略人工智能(集团)有限公司 故障诊断模型的训练方法、装置、电子设备及存储介质
WO2021243838A1 (zh) * 2020-06-03 2021-12-09 苏州大学 变工况下类内自适应轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353373A (zh) * 2019-11-29 2020-06-30 盐城工学院 一种相关对齐域适应故障诊断方法
WO2021243838A1 (zh) * 2020-06-03 2021-12-09 苏州大学 变工况下类内自适应轴承故障诊断方法
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112200114A (zh) * 2020-10-20 2021-01-08 上海明略人工智能(集团)有限公司 故障诊断模型的训练方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUANJIE WANG 等: "Generalization on Unseen Domains via Model-Agnostic Learning for Intelligent Fault Diagnosis", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
张根保等: "一种用于轴承故障诊断的迁移学习模型", 《吉林大学学报(工学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN116910573B (zh) * 2023-09-13 2023-12-05 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN117575565A (zh) * 2023-11-15 2024-02-20 重庆雄川科技有限公司 基于工业互联网的自动化设备故障监测方法及***

Similar Documents

Publication Publication Date Title
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN111124840A (zh) 业务运维中告警的预测方法、装置与电子设备
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN114742122A (zh) 设备故障诊断方法、装置、电子设备以及存储介质
CN111290922B (zh) 服务运行健康度监测方法及装置
CN113111820B (zh) 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN109753408B (zh) 一种基于机器学习的流程异常预测方法
CN109815855B (zh) 一种基于机器学习的电子设备自动测试方法及***
CN109145373B (zh) 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN114169460A (zh) 样本筛选方法、装置、计算机设备和存储介质
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及***
CN110413482B (zh) 检测方法和装置
CN117058451A (zh) 基于二维卷积神经网络的结构加速度数据异常检测方法
CN114720129B (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及***
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
JP2020086786A (ja) 検出装置及び機械学習方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220712

RJ01 Rejection of invention patent application after publication