CN110781854B - 故障检测模型的训练方法和机电设备的故障检测方法 - Google Patents

故障检测模型的训练方法和机电设备的故障检测方法 Download PDF

Info

Publication number
CN110781854B
CN110781854B CN201911065719.2A CN201911065719A CN110781854B CN 110781854 B CN110781854 B CN 110781854B CN 201911065719 A CN201911065719 A CN 201911065719A CN 110781854 B CN110781854 B CN 110781854B
Authority
CN
China
Prior art keywords
signal
fault detection
training
detection model
characteristic
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.)
Active
Application number
CN201911065719.2A
Other languages
English (en)
Other versions
CN110781854A (zh
Inventor
邓刚
梁欣然
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911065719.2A priority Critical patent/CN110781854B/zh
Publication of CN110781854A publication Critical patent/CN110781854A/zh
Application granted granted Critical
Publication of CN110781854B publication Critical patent/CN110781854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种故障检测模型的训练方法和机电设备的故障检测方法。故障检测模型的训练方法包括：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。

Description

故障检测模型的训练方法和机电设备的故障检测方法
技术领域
本申请涉及计算机技术领域，特别是涉及一种故障检测模型的训练方法和机电设备的故障检测方法。
背景技术
在工业领域中，机电设备可以帮助人们降低工作难度及提高工作效率，保证机电设备的正常工作状态则至关重要，因此，有效的对机电设备进行故障检测，可以提高机电设备的运转安全性，减小事故发生的机率。机电设备在工作运转时，通常会产生一系列的振动信号，基于振动信号进行分析可以确定机电设备的故障类型。
基于振动信号分析故障类型可以分为信号采集、特征提取和故障识别等步骤，传统技术通常提取振动信号的时域、频域及时频域特征或者采用振动信号经过短时傅里叶变换或者小波变换等处理后的时频图输入到故障检测模型(如神经网络模型)进行故障识别。
但是，由于基于卷积神经网络的故障检测模型对特征矩阵进行运算时，特征矩阵边缘位置的信息会有一定损失，若该边缘位置的信息比较重要，则导致传统技术在故障识别时准确率较低。
发明内容
基于此，有必要针对传统技术在故障识别时准确率较低的问题，提供一种故障检测模型的训练方法和机电设备的故障检测方法。
第一方面，本申请实施例提供一种故障检测模型的训练方法，包括：
获取训练信号数据；
对训练信号数据进行特征提取，得到第一信号特征；
将训练信号数据进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
第二方面，本申请实施例提供一种机电设备的故障检测方法，包括：
获取待检测信号，待检测信号包括振动信号或音频信号；
对待检测信号进行特征提取，得到第一信号特征；
将待检测信号进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
第三方面，本申请实施例提供一种故障检测模型的训练装置，包括：
第一获取模块，用于获取训练信号数据；
第一特征提取模块，用于对训练信号数据进行特征提取，得到第一信号特征；
第一重构分解模块，用于将训练信号数据进行重构及分解，得到第二信号特征；
第一检测模块，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
训练模块，用于计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
第四方面，本申请实施例提供一种机电设备的故障检测装置，包括：
第二获取模块，用于获取待检测信号，待检测信号包括振动信号或音频信号；
第二特征提取模块，用于对待检测信号进行特征提取，得到第一信号特征；
第二重构分解模块，用于将待检测信号进行重构及分解，得到第二信号特征；
第二检测模块，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
第五方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取训练信号数据；
对训练信号数据进行特征提取，得到第一信号特征；
将训练信号数据进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
第六方面，本申请实施例还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待检测信号，待检测信号包括振动信号或音频信号；
对待检测信号进行特征提取，得到第一信号特征；
将待检测信号进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
第七方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取训练信号数据；
对训练信号数据进行特征提取，得到第一信号特征；
将训练信号数据进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
第八方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测信号，待检测信号包括振动信号或音频信号；
对待检测信号进行特征提取，得到第一信号特征；
将待检测信号进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
上述故障检测模型的训练方法、机电设备的故障检测方法、装置、计算机设备和存储介质，对获取的训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；然后将第一信号特征和第二信号特征按预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；最后根据检测结果和预设标签之间的损失对初始故障检测模型进行训练，当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在对第一信号特征和第二信号特征进行排列时，充分考虑其重要程度，可以确保故障检测模型对排列结果运算时，非重要特征处于边缘位置，重要特征处于中心位置，对重要特征的运算次数较多，以减少重要特征的信息丢失，由此可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图1a为一个实施例提供的神经网络模型的运算过程示意图；
图2为一个实施例提供的故障检测模型的训练方法的流程示意图；
图2a为一个实施例提供的第一信号特征和第二信号特征进行排列的示意图；
图2b为一个实施例提供的第一信号特征和第二信号特征进行螺旋式排列的示意图；
图2c为一个实施例提供的故障类别的标签示意图；
图3为另一个实施例提供的故障检测模型的训练方法的流程示意图；
图4为一个实施例提供的机电设备的故障检测方法的流程示意图；
图5为另一个实施例提供的机电设备的故障检测方法的流程示意图；
图6为一个实施例提供的故障检测模型的训练装置的结构示意图；
图7为一个实施例提供的机电设备的故障检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的故障检测模型的训练方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。利用上述故障检测模型的训练方法所生成的故障检测模型，可以适用于各种机电设备上的故障检测，如可以是医疗设备、工业设备，还可以是机电设备上部件的故障检测，如CT球管、轴承、齿轮、发动机、电动机、风扇、泵、钻头、车床等，并可以在发生紧急故障的情况下及时发出警告提醒，减少机电设备事故发生的机率。
基于振动信号分析故障类型可以分为信号采集、特征提取和故障识别等步骤，其中最为关键的一步为特征提取，传统技术通常提取振动信号的时域、频域及时频域特征或者采用振动信号经过短时傅里叶变换或者小波变换等处理后的时频图输入神经网络模型进行故障识别。关于神经网络模型对提取到的特征矩阵进行运算的过程可以参见图1a所示，假设输入的特征矩阵尺寸为5×5，卷积核的尺寸为3×3，在第一次卷积运算时，输入矩阵前三行前三列所对应的9个元素分别与卷积核对应位置上的元素相乘，再把它们的积相加得到的值作为输出矩阵的第一个元素。卷积核按照从左至右、从上到下的顺序滑动遍历整个输入矩阵。同样，最后一次卷积运算时，输入矩阵最后三行和最后三列所对应的9个元素分别与卷积核对应位置上的元素相乘，再把它们的积相加得到的值作为输出矩阵的最后一个元素。可以看到，在卷积核滑动的过程中，输入矩阵四个顶点位置的元素都只经历了一次卷积运算，而最中间位置的元素经历了9次卷积运算。因此卷积运算会导致原矩阵(图像)边缘位置的元素信息有一定的损失，若该边缘位置的信息比较重要，则导致传统技术在故障识别时准确率较低。本申请提出的故障检测模型的训练方法和机电设备的故障检测方法，旨在解决上述技术问题。
需要说明的是，下述方法实施例的执行主体可以是故障检测模型的训练装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明，该计算机设备可以是终端，也可以是服务器，可以为单独的计算设备，也可以集成于其他设备上，只要能完成故障检测模型的训练即可，本实施例对此不做限定。
图2为一个实施例提供的故障检测模型的训练方法的流程示意图。本实施例涉及的是计算机设备根据训练信号数据对初始故障检测模型进行训练的具体过程。如图2所示，该方法包括：
S101，获取训练信号数据。
具体的，计算机设备首先获取大量的训练信号数据，该训练信号数据的获取过程可以为：采用加速度信号传感器或信号采集卡采集具有足够长度且不同健康状况下(包括机电设备正常运转状况及不同故障状况)的信号数据，然后计算机设备截取2个运转周期以上长度的信号数据作为训练信号数据。假设机电设备存在的故障类别有10种，可选的，每个训练信号数据还可以包括对应的标签，该标签表示训练信号数据对应的故障类别，如使用1-10分别表示10种故障类别。
S102，对训练信号数据进行特征提取，得到第一信号特征。
具体的，计算机设备对获取的训练信号数据进行特征提取，得到第一信号特征。可选的，计算机可以采用统计学方法计算每个训练信号数据的第一信号特征。可选的，计算机设备还可以先对训练信号数据进行去波滤噪，再进行特征提取。
可选的，上述第一信号特征包括时域特征、频域特征和时频域特征中的至少一个，时域特征可以为峭度值、峰值、峰峰值、绝对均值、均方根值、方差、波形因子、脉冲因子、裕度因子、IMF1-IMF4能量等，频域特征可以为重心频率、均方频率、均方根频率、频率方差、频率标准差等，时频域特征可以为对训练信号数据进行3层小波包分解后，各层节点处的能量值。需要说明的是，时域特征、频域特征和时频域特征不限于上述的特征种类。
S103，将训练信号数据进行重构及分解，得到第二信号特征。
具体的，计算机设备可以对上述训练信号数据进行重构及分解，可选的，计算机可以将训练信号数据进行相空间重构，得到信号矩阵；再对信号矩阵进行特征分解，得到第二信号特征。
示例性的，假设训练信号数据的长度为2000，可以将训练信号数据表示为(x1，x2，x3，...，x2000)，然后将训练信号数据重构为
Figure BDA0002259269910000091
形式的信号矩阵；接下来对得到的信号矩阵进行特征分解，得到对应的特征向量和特征值，即为第二信号特征。可选的，可以采用主成分分析方法(Principle Component Analysis,PCA)对信号矩阵进行特征分解，也可以采用其他特征分解方法进行特征分解，本实施例对此不做限制。
S104，对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度。
具体的，得到上述第一信号特征和第二信号特征后，计算机设备可以按第一信号特征和第二信号特征的重要程度进行排列。该重要程度可以为预先设置的重要等级，也可以为根据机电设备的工作标准对第一信号特征和第二信号特征进行打分，得分高低表示其重要程度。可选的，可以设置为第一信号特征的重要程度大于第二信号特征的重要程度，当第二信号特征足够多时，多个第一信号特征的重要程度可以不进行区分。然后计算机设备将排列结果输入初始故障检测模型中，经过一系列卷积、池化等操作，可以得到检测结果。可选的，该初始故障检测模型可以为神经网络模型，可以为卷积神经网络(ConvolutionalNeural Networks，CNN)、全卷积网络(Fully Convolutional Networks，FCN)，也可以为其他网络模型，本实施例对此不做限制。
示例性的，假设第一信号特征的重要程度大于第二信号特征的重要程度，第一信号特征有10个，根据预设的重要等级排序后为A1、A2、...、A10，第二信号特征有15个，根据预设的重要等级排序后为B1、B2、...、B15，然后将第一信号特征和第二信号特征按照如图2a所示的矩阵排列方式进行排列。可以看出，比较重要的特征位于矩阵的中间位置，较不重要的特征位于矩阵的边缘位置，由此将排列结果输入初始故障检测模型中进行运算，可使得重要特征参与多次运算，以提高最终得到的检测结果的准确性。
可选的，初始故障检测模型输出的检测结果可以为计算得到的训练信号数据属于每种故障类别的概率，可以表示为概率向量；还可以为选取概率最大的故障类别作为输出的检测结果。
S105，计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
具体的，计算机设备计算初始故障模型输出的检测结果与训练信号数据携带的预设标签之间的损失，可选的，可以使用交叉熵损失函数计算两者之间的损失，也可以使用其他损失函数计算两者之间的损失，本实施例对此不做限制。示例性的，若上述检测结果为属于10种故障类别的概率，概率向量为[0，0.8，0.1，0，0，0，0.1，0，0，0]，即表示训练信号数据属于故障1的概率为0，属于故障2的概率为0.8，属于故障3的概率为0.1，...；预设标签为故障2，则其对应的概率向量为[0，1，0，0，0，0，0，0，0，0]，那么计算机设备可以使用交叉熵损失函数计算两个概率向量之间的损失。
然后，计算机设备利用损失调整初始故障检测模型的网络参数，可选的，可以利用反向梯度传播方式调整网络参数。以此迭代训练，当某轮迭代损失达到收敛时，则表征初始故障检测模型训练完成，即得到故障检测模型。可选的，还可以当损失小于或者等于预设阈值时，表征初始故障检测模型训练完成。
本实施例提供的故障检测模型的训练方法，计算机设备对获取的训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；然后将第一信号特征和第二信号特征按预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；最后根据检测结果和预设标签之间的损失对初始故障检测模型进行训练，当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在对第一信号特征和第二信号特征进行排列时，充分考虑其重要程度，可以确保故障检测模型对排列结果运算时，非重要特征处于边缘位置，重要特征处于中心位置，对重要特征的运算次数较多，以减少重要特征的信息丢失，由此可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。
可选的，在其中一些实施例中，上述第一信号特征的重要程度大于第二信号特征的重要程度；对第一信号特征和第二信号特征按照预设的次序进行排列，包括：将第一信号特征的次序作为第一次序、第二信号特征的次序作为第二次序进行螺旋式排列。假设第一信号特征共A1-A3232个，第二信号特征共B1-B992992个，将第一信号特征和第二信号特征进行螺旋排列形成32×32的二维矩阵，其示意图可参见图2b所示。
可选的，在对第一信号特征和第二信号特征进行螺旋式排列后，还可以将排列结果保存为浮点数图像或csv等不损失精度的格式文件，并标记上对应的预设标签，由此可使得排列结果不损失精度，即提高输入故障检测模型的数据精度。假设有10种故障类别，标签分别为标签1、标签2...标签10，其对应的标签示意图可以参见图2c所示。
图3为另一个实施例提供的故障检测模型的训练方法的流程示意图。本实施例涉及的是计算机设备对上述信号矩阵进行特征分解，得到第二信号特征的具体过程。可选的，在上述实施例的基础上，如图3所示，上述方法还包括：
S201，对信号矩阵进行奇异值分解，得到多个奇异值。
具体的，对于上述训练信号数据(x1，x2，x3，...，x2000)重构的信号矩阵为p×q＝1000×1001的二维矩阵
Figure BDA0002259269910000121
其中，p和q的取值满足以下关系式：
Figure BDA0002259269910000122
q＝N+1-p。然后计算机设备对此信号矩阵进行奇异值分解，可以得到min(p，q)个不同的大于零的奇异值。其中，奇异值分解是线性代数中一种重要的矩阵分解，奇异值越大，其对应的信息就越重要。
S202，将多个奇异值进行排序，得到第二信号特征。
具体的，计算机设备可以将得到的多个奇异值进行排序，得到第二信号特征。可选的，计算机设备可以对多个奇异值进行降序排列，这样越靠前的奇异值越大，其重要程度越高，当需要取部分奇异值时，可以从前向后取值；也可以对多个奇异值进行升序排列，这样越靠后的奇异值越大，其重要程度越高，当需要取部分奇异值时，可以从后向前取值。例如，假设得到的奇异值为1000个，降序排列后得到的奇异值为B1、B2、...B1000，若要取992个奇异值做运算，则取B1-B992共992个奇异值。
本实施例提供的故障检测模型的训练方法，计算机设备首先对信号矩阵进行奇异值分解，得到多个奇异值；将多个奇异值进行排序得到第二信号特征。由此可以提高得到的第二信号特征的重要程度，特别是当需要对奇异值进行部分取值时，可以从多个奇异值中获取较大的奇异值进行计算，以进一步提高得到的检测结果的准确性。
当上述故障检测模型训练完成后，可以使用该故障检测模型对机电设备进行故障检测。图4为一个实施例提供的机电设备的故障检测方法的流程示意图，如图4所示，该方法包括：
S301，获取待检测信号，待检测信号包括振动信号或音频信号。
S302，对待检测信号进行特征提取，得到第一信号特征。
S303，将待检测信号进行重构及分解，得到第二信号特征。
S304，对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
具体的，对于获取的机电设备的待检测信号，可以为振动信号或音频信号，其中，振动信号为机电设备工作时由于振动产生的信号，音频信号为带有语音、音乐和音效的有规律的声波的频率、幅度变化信息载体。可选的，待检测信号也可以为其他类型的信号，只要其信号幅度在机电设备发生故障时能够发生明显变化即可。另外，关于计算机设备对待检测信号进行特征提取得到第一信号特征、对待检测信号进行重构及分解得到第二信号特征、以及由故障检测模型得到故障检测结果的过程，可以参见上述实施例的描述，其实现原理和过程类似，在此不再赘述。
本实施例提供的机电设备的故障检测方法，计算机设备对获取的待检测信号进行特征提取，得到第一信号特征；将待检测信号进行重构及分解，得到第二信号特征；然后将第一信号特征和第二信号特征按预设的次序进行排列，将排列结果输入故障检测模型中，得到检测结果。该方法在对第一信号特征和第二信号特征进行排列时，充分考虑其重要程度，可以确保故障检测模型对排列结果运算时，非重要特征处于边缘位置，重要特征处于中心位置，对重要特征的运算次数较多，以减少重要特征的信息丢失，，由此可提高得到的故障检测结果的准确性。
可选的，在其中一些实施例中，故障检测模型的训练方法可以包括上述实施例所述的方法，在此不再赘述。
可选的，在其中一些实施例中，上述机电设备的故障检测方法可以应用于医疗设备的故障检测过程，该医疗设备可以为核磁共振仪(Nuclear Magnetic Resonance，MR)、电子计算机断层扫描仪(Computed Tomography，CT)，也可以为其他医疗设备。可选的，上述机电设备的故障检测方法还可以应用于医疗设备相关部件的故障检测过程，如CT球管、轴承、齿轮、齿轮箱、电动机、发动机、风机、风扇、泵、钻头、车床等。在上述实施例的基础上，如图5所示，该方法还包括：
S401，获取医疗设备的振动信号。
S402，对振动信号进行特征提取，得到第一振动信号特征。
S403，将振动信号进行重构及分解，得到第二振动信号特征。
S404，对第一振动信号特征和第二振动信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到医疗设备的故障检测结果。
关于本实施例的实现过程可以参见上述实施例的描述，其实现原理和过程类似，在此不再赘述。
可选的，在其中一些实施例中，当计算机设备确定了机电设备的故障检测结果后，可以从包括故障结果与对应的故障等级的关联关系的故障等级库中，获取对应的故障等级，然后根据故障等级进行警告提醒。如当机电设备发生严重故障时，可以给出警鸣，提醒工作人员断开机电设备的工作状态，由此减少事故的发生机率。
应该理解的是，虽然图2-图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例提供的故障检测模型的训练装置的结构示意图。如图6所示，该装置包括：第一获取模块11、第一特征提取模块12、第一重构分析模块13、第一检测模块14和训练模块15。
具体的，第一获取模块11，用于获取训练信号数据。
第一特征提取模块12，用于对训练信号数据进行特征提取，得到第一信号特征。
第一重构分解模块13，用于将训练信号数据进行重构及分解，得到第二信号特征。
第一检测模块14，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度。
训练模块15，用于计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
本实施例提供的故障检测模型的训练装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，第一信号特征的重要程度大于第二信号特征的重要程度；第一检测模块14，具体用于将第一信号特征的次序作为第一次序、第二信号特征的次序作为第二次序进行螺旋式排列。
在其中一个实施例中，上述第一重构分解模块13，具体用于将训练信号数据进行相空间重构，得到信号矩阵；对信号矩阵进行特征分解，得到第二信号特征。
在其中一个实施例中，上述第一重构分解模块13，具体用于对信号矩阵进行奇异值分解，得到多个奇异值；将多个奇异值进行排序，得到第二信号特征。
在其中一个实施例中，第一信号特征包括时域特征、频域特征和时频域特征中的至少一个。
图7为一个实施例提供的机电设备的故障检测装置的结构示意图。如图7所示，该装置包括：第二获取模块21、第二特征提取模块22、第二重构分解模块23和第二检测模块24。
具体的，第二获取模块21，用于获取待检测信号，待检测信号包括振动信号或音频信号。
第二特征提取模块22，用于对待检测信号进行特征提取，得到第一信号特征。
第二重构分解模块23，用于将待检测信号进行重构及分解，得到第二信号特征。
第二检测模块24，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
本实施例提供的机电设备的故障检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，上述故障检测模型的训练方法包括上述方法实施例中所述的方法。
在其中一个实施例中，机电设备的故障检测方法应用于医疗设备的故障检测过程，第二获取模块21，具体用于获取医疗设备的振动信号；第二特征提取模块22，具体用于对振动信号进行特征提取，得到第一振动信号特征；第二重构分解模块23，具体用于将振动信号进行重构及分解，得到第二振动信号特征；第二检测模块24，具体用于对第一振动信号特征和第二振动信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到医疗设备的故障检测结果。
在其中一个实施例中，上述装置还包括确定模块，用于根据故障检测结果、以及故障结果与故障等级之间的对应关系，确定机电设备的故障等级，并根据故障等级进行警告提醒。
关于故障检测模型的训练装置和机电设备的故障检测装置的具体限定可以参见上文中对于故障检测模型的训练方法和机电设备的故障检测方法的限定，在此不再赘述。上述故障检测模型的训练装置和机电设备的故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障检测模型的训练方法或机电设备的故障检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取训练信号数据；
对训练信号数据进行特征提取，得到第一信号特征；
将训练信号数据进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，第一信号特征的重要程度大于第二信号特征的重要程度；处理器执行计算机程序时还实现以下步骤：
将第一信号特征的次序作为第一次序、第二信号特征的次序作为第二次序进行螺旋式排列。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将训练信号数据进行相空间重构，得到信号矩阵；
对信号矩阵进行特征分解，得到第二信号特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对信号矩阵进行奇异值分解，得到多个奇异值；
将多个奇异值进行排序，得到第二信号特征。
在一个实施例中，第一信号特征包括时域特征、频域特征和时频域特征中的至少一个。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测信号，待检测信号包括振动信号或音频信号；
对待检测信号进行特征提取，得到第一信号特征；
将待检测信号进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，故障检测模型的训练方式包括上述实施例中所述的方法。
在一个实施例中，机电设备的故障检测方法应用于医疗设备的故障检测过程，处理器执行计算机程序时还实现以下步骤：
获取医疗设备的振动信号；
对振动信号进行特征提取，得到第一振动信号特征；
将振动信号进行重构及分解，得到第二振动信号特征；
对第一振动信号特征和第二振动信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到医疗设备的故障检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据故障检测结果、以及故障结果与故障等级之间的对应关系，确定机电设备的故障等级，并根据故障等级进行警告提醒。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取训练信号数据；
对训练信号数据进行特征提取，得到第一信号特征；
将训练信号数据进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；
计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，第一信号特征的重要程度大于第二信号特征的重要程度；计算机程序被处理器执行时还实现以下步骤：
将第一信号特征的次序作为第一次序、第二信号特征的次序作为第二次序进行螺旋式排列。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将训练信号数据进行相空间重构，得到信号矩阵；
对信号矩阵进行特征分解，得到第二信号特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对信号矩阵进行奇异值分解，得到多个奇异值；
将多个奇异值进行排序，得到第二信号特征。
在一个实施例中，第一信号特征包括时域特征、频域特征和时频域特征中的至少一个。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测信号，待检测信号包括振动信号或音频信号；
对待检测信号进行特征提取，得到第一信号特征；
将待检测信号进行重构及分解，得到第二信号特征；
对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，故障检测模型的训练方式包括上述实施例中所述的方法。
在一个实施例中，机电设备的故障检测方法应用于医疗设备的故障检测过程，计算机程序被处理器执行时还实现以下步骤：
获取医疗设备的振动信号；
对振动信号进行特征提取，得到第一振动信号特征；
将振动信号进行重构及分解，得到第二振动信号特征；
对第一振动信号特征和第二振动信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到医疗设备的故障检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据故障检测结果、以及故障结果与故障等级之间的对应关系，确定机电设备的故障等级，并根据故障等级进行警告提醒。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种故障检测模型的训练方法，其特征在于，包括：
获取训练信号数据；
对所述训练信号数据进行特征提取，得到第一信号特征；
将所述训练信号数据进行重构及分解，得到第二信号特征；
按照重要程度对所述第一信号特征和所述第二信号特征进行排列，将排列结果输入初始故障检测模型中，得到检测结果；在所述排列结果中，重要特征处于排列矩阵的中间位置，非重要特征处于所述排列矩阵的边缘位置；
计算所述检测结果与预设标签之间的损失，根据所述损失对所述初始故障检测模型进行训练；当所述损失达到收敛时，所述初始故障检测模型训练完成，得到故障检测模型。
2.根据权利要求1所述的方法，其特征在于，所述第一信号特征的重要程度大于所述第二信号特征的重要程度；则按照重要程度对所述第一信号特征和所述第二信号特征进行排列，包括：
将所述第一信号特征的次序作为第一次序、所述第二信号特征的次序作为第二次序进行螺旋式排列。
3.根据权利要求1所述的方法，其特征在于，所述将所述训练信号数据进行重构及分解，得到第二信号特征，包括：
将所述训练信号数据进行相空间重构，得到信号矩阵；
对所述信号矩阵进行特征分解，得到所述第二信号特征。
4.根据权利要求3所述的方法，其特征在于，所述对所述信号矩阵进行特征分解，得到所述第二信号特征，包括：
对所述信号矩阵进行奇异值分解，得到多个奇异值；
将所述多个奇异值进行排序，得到所述第二信号特征。
5.根据权利要求1所述的方法，其特征在于，所述第一信号特征包括时域特征、频域特征和时频域特征中的至少一个。
6.一种机电设备的故障检测方法，其特征在于，包括：
获取待检测信号，所述待检测信号包括振动信号或音频信号；
对所述待检测信号进行特征提取，得到第一信号特征；
将所述待检测信号进行重构及分解，得到第二信号特征；
按照重要程度对所述第一信号特征和所述第二信号特征进行排列，将排列结果输入故障检测模型中，得到故障检测结果；
其中，在所述排列结果中，重要特征处于排列矩阵的中间位置，非重要特征处于所述排列矩阵的边缘位置。
7.根据权利要求6所述的方法，其特征在于，所述故障检测模型的训练方式包括权利要求1-5中任一项所述的方法。
8.根据权利要求6所述的方法，其特征在于，所述机电设备的故障检测方法应用于医疗设备的故障检测过程，所述方法包括：
获取医疗设备的振动信号；
对所述振动信号进行特征提取，得到第一振动信号特征；
将所述振动信号进行重构及分解，得到第二振动信号特征；
按照重要程度对所述第一振动信号特征和所述第二振动信号特征进行排列，将排列结果输入所述故障检测模型中，得到所述医疗设备的故障检测结果；
其中，在所述排列结果中，重要特征处于排列矩阵的中间位置，非重要特征处于所述排列矩阵的边缘位置。
9.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述故障检测结果、以及故障结果与故障等级之间的对应关系，确定机电设备的故障等级，并根据所述故障等级进行警告提醒。
10.一种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权利要求1-9中任一项所述方法的步骤。
CN201911065719.2A 2019-11-04 2019-11-04 故障检测模型的训练方法和机电设备的故障检测方法 Active CN110781854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911065719.2A CN110781854B (zh) 2019-11-04 2019-11-04 故障检测模型的训练方法和机电设备的故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911065719.2A CN110781854B (zh) 2019-11-04 2019-11-04 故障检测模型的训练方法和机电设备的故障检测方法

Publications (2)

Publication Number Publication Date
CN110781854A CN110781854A (zh) 2020-02-11
CN110781854B true CN110781854B (zh) 2022-07-26

Family

ID=69388670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911065719.2A Active CN110781854B (zh) 2019-11-04 2019-11-04 故障检测模型的训练方法和机电设备的故障检测方法

Country Status (1)

Country Link
CN (1) CN110781854B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401136B (zh) * 2020-02-22 2022-11-25 上海交通大学 一种柱塞泵空化程度检测方法、装置及终端
CN112630560A (zh) * 2020-12-01 2021-04-09 清科优能(深圳)技术有限公司 一种基于小波分析的录波数据奇异熵特征提取方法
CN112364836A (zh) * 2020-12-07 2021-02-12 无锡科晟光子科技有限公司 一种基于全卷积神经网络的振动光纤信号分类方法
CN113823396A (zh) * 2021-09-16 2021-12-21 武汉联影医疗科技有限公司 医疗设备管理方法、装置、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111094927A (zh) * 2017-09-26 2020-05-01 舍弗勒技术股份两合公司 轴承故障诊断方法及装置、可读存储介质及电子设备
CN108732465B (zh) * 2018-05-30 2020-08-04 广东电网有限责任公司 一种基于小波变换和cnn的配电网故障定位方法
CN109583386B (zh) * 2018-11-30 2020-08-25 中南大学 一种智能旋转机械故障深度网络特征辨识方法
CN109946055B (zh) * 2019-03-22 2021-01-12 宁波慧声智创科技有限公司 一种汽车座椅滑轨异响检测方法及系统

Also Published As

Publication number Publication date
CN110781854A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110781854B (zh) 故障检测模型的训练方法和机电设备的故障检测方法
Oh et al. Time-series data augmentation based on interpolation
CN109564575B (zh) 使用机器学习模型来对图像进行分类
CN111080360B (zh) 行为预测方法、模型训练方法、装置、服务器及存储介质
US20160098633A1 (en) Deep learning model for structured outputs with high-order interaction
Zhang et al. Fault detection and recognition of multivariate process based on feature learning of one-dimensional convolutional neural network and stacked denoised autoencoder
CN107169454A (zh) 一种人脸图像年龄估算方法、装置及其终端设备
CN114330713B (zh) 卷积神经网络模型剪枝方法和装置、电子设备、存储介质
CN109509056A (zh) 基于对抗网络的商品推荐方法、电子装置及存储介质
EP3726435A1 (en) Deep neural network training method and apparatus, and computer device
CN111325159B (zh) 故障诊断方法、装置、计算机设备和存储介质
US20170236069A1 (en) Scalable supervised high-order parametric embedding for big data visualization
Azami et al. GPS GDOP classification via improved neural network trainings and principal component analysis
Zhu et al. Sparse representation based on adaptive multiscale features for robust machinery fault diagnosis
CN111815510B (zh) 基于改进的卷积神经网络模型的图像处理方法及相关设备
Bartolucci et al. LMest: an R package for latent Markov models for categorical longitudinal data
US11222278B2 (en) Estimating conditional probabilities
Yang et al. A wavelet based multiscale weighted permutation entropy method for sensor fault feature extraction and identification
CN111079560A (zh) 一种摔倒监测方法、装置及终端设备
CN105184833A (zh) 一种带噪cs-mri图像重建方法
CN114093370B (zh) 声纹识别方法、装置、计算机设备和存储介质
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN113496228B (zh) 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法
CN105488061A (zh) 一种验证数据有效性的方法及装置
CN114330885A (zh) 目标状态的确定方法、装置、设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant