CN114722942A - 设备故障诊断方法、装置、电子设备及存储介质 - Google Patents

设备故障诊断方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114722942A
CN114722942A CN202210375676.3A CN202210375676A CN114722942A CN 114722942 A CN114722942 A CN 114722942A CN 202210375676 A CN202210375676 A CN 202210375676A CN 114722942 A CN114722942 A CN 114722942A
Authority
CN
China
Prior art keywords
fault
subdata
fault diagnosis
result
data
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
CN202210375676.3A
Other languages
English (en)
Inventor
聂泳忠
刘木莞
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.)
Xilenma Shenzhen Technology Co ltd
Original Assignee
Xilenma Shenzhen Technology 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 Xilenma Shenzhen Technology Co ltd filed Critical Xilenma Shenzhen Technology Co ltd
Priority to CN202210375676.3A priority Critical patent/CN114722942A/zh
Publication of CN114722942A publication Critical patent/CN114722942A/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
    • G06F18/2431—Multiple classes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了设备故障诊断方法、装置、电子设备及存储介质，故障诊断方法包括：获取待进行故障诊断的设备运行时产生的原始信号数据，对原始信号数据进行数据分割处理，以将原始信号数据分割为多个第一子数据；对多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据；对多个第一子数据进行特征提取，以得到第一特征提取结果，并对多个第二子数据进行特征提取，以得到第二特征提取结果；对第一特征提取结果和第二特征提取结果进行特征融合，以得到融合后的特征；根据融合后的特征确定设备的故障诊断结果。本发明相比于现有技术降低了数据处理难度，提高了数据处理准确度，进而明显提高了设备故障诊断的可靠性和准确性。

Description

设备故障诊断方法、装置、电子设备及存储介质
技术领域
本发明涉及故障诊断技术领域，更为具体地，本发明能够提供一种设备故障诊断方法、装置、电子设备及存储介质。
背景技术
目前，设备的故障诊断可采用时域信号处理、频域信号处理或时频域结合等方法，但这些方法对使用者在相关领域的专业知识要求较高，经常出现因使用者经验不足导致故障诊断效果不理想的问题，存在较大局限。近年来，人工智能尤其是深度学习的快速发展，基于深度学习模型的设备故障预测成为了可能。然而对于设备运行时产生的大规模且复杂的信号，常规的设备故障诊断技术方案存在信号数据处理难度高而导致故障诊断结果可靠性较差、准确性较低等问题，故亟待需要解决。
发明内容
为解决现有技术存在的设备故障诊断结果不可靠、不准确的问题，本发明能够提供一种设备故障诊断方法、装置、电子设备及存储介质，从而达到提高设备故障诊断可靠性和准确性等技术目的。
为实现上述的技术目的，本发明能够提供一种设备故障诊断方法，该故障诊断方法可包括但不限于如下的至少一个步骤。
获取待进行故障诊断的设备运行时产生的原始信号数据。
对所述原始信号数据进行数据分割处理，以将所述原始信号数据分割为多个第一子数据。
对所述多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据。
对所述多个第一子数据进行特征提取，以得到第一特征提取结果，并对所述多个第二子数据进行特征提取，以得到第二特征提取结果。
对所述第一特征提取结果和所述第二特征提取结果进行特征融合，以得到融合后的特征。
根据所述融合后的特征确定设备的故障诊断结果。
为实现上述的技术目的，本发明还能够提供一种设备故障诊断装置，该设备故障诊断装置具体可包括但不限于数据获取模块、数据分割模块、时频变换模块、特征提取模块、特征融合模块以及故障判断模块。
数据获取模块，用于获取待进行故障诊断的设备运行时产生的原始信号数据。
数据分割模块，用于对所述原始信号数据进行数据分割处理，以将所述原始信号数据分割为多个第一子数据。
时频变换模块，用于对所述多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据。
特征提取模块，用于对所述多个第一子数据进行特征提取，以得到第一特征提取结果，并用于对所述多个第二子数据进行特征提取，以得到第二特征提取结果。
特征融合模块，用于对所述第一特征提取结果和所述第二特征提取结果进行特征融合，以得到融合后的特征。
故障判断模块，用于根据所述融合后的特征确定设备的故障诊断结果。
为实现上述的技术目的，本发明还可提供一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机可读指令，该计算机可读指令被所述处理器执行时，使得所述处理器执行本发明任一实施例所述设备故障诊断方法的步骤。
为实现上述的技术目的，本发明还可提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行本发明任一实施例所述设备故障诊断方法的步骤。
本发明的有益效果为：通过将原始信号数据分割为多个第一子数据，本发明避免了对大规模复杂数据直接处理，而是处理基于分割处理得到的子数据，相比现有技术有效降低了数据处理难度，提高了数据处理准确度；基于多个第一子数据和经过时频变换处理第一子数据得到的第二子数据，本发明通过特征提取和特征融合方式进一步提高了数据处理准确度，进而明显地提高了本发明设备故障诊断的可靠性和准确性。本发明能够实现对设备故障进行自动诊断，极大降低了对使用者专业知识和专业技能的要求，适用范围更广泛，本发明能够对设备故障进行有效监测，实用性更强。
附图说明
图1示出了本发明一个或多个实施例中的设备故障诊断方法的流程示意图。
图2示出了本发明一个或多个实施例中的设备振动信号的处理流程示意图。
图3示出了本发明一个或多个实施例中的故障诊断具体实现流程的示意图。
图4示出了本发明一个或多个实施例中对原始信号数据进行分割的示意图。
图5示出了本发明一个或多个实施例中对第一子数据进行小波变换处理的示意图。
图6示出了本发明一个或多个实施例中的特征提取和特征融合过程实现原理示意图。
图7示出了本发明一个或多个实施例中ResNet网络结构单元的组成示意图。
图8示出了本发明一个或多个实施例中云端和边缘端训练和推理的流程示意图。
图9示出了本发明一个或多个实施例中采用知识蒸馏方式基于教师网络训练学生网络的示意图。
图10示出了本发明一个或多个实施例中的设备故障诊断装置结构的组成示意图。
图11示出了本发明一个或多个实施例中的电子设备内部结构组成的示意图。
具体实施方式
下面结合说明书附图对本发明提供的一种设备故障诊断方法、装置、电子设备及存储介质进行详细的解释和说明。
如图1所示，并结合图2和图3，本发明一个或多个实施例能够提供一种设备故障诊断方法。该设备故障诊断方法应用于边缘端，该方法可以包括但不限于如下的一个或多个步骤，具体说明如下。
步骤100，获取待进行故障诊断的设备运行时产生的原始信号数据。本发明涉及的原始信号包括但不限于振动信号，振动信号为由于设备运行而产生的振动信号，涉及的设备例如可为机械设备。具体实施时，本发明对设备运行时产生的原始信号进行采样，采样频率例如为48kHz，采样的时长例如为5秒，则在此基础上一笔原始信号数据的数据量将达到240000(S，全称Sample，采样次数)，可见直接处理将会对计算机设备的缓存以及处理器等造成较大压力，本发明通过数据分割克服该问题。
步骤200，对原始信号数据进行数据分割处理，以将原始信号数据分割为多个第一子数据。本发明涉及的数据分割处理可以是按照指定周期对原始信号数据进行分割，数据分割处理可以是均匀分割或者非均匀分割。
本发明实施例对原始信号数据进行数据分割处理包括：获取数据区间n，根据数据区间n对原始信号数据进行均匀分割，以得到N＝S/n笔第一子数据。例如n可选为n＝1024作为取样区间，由于1024＝32×32，以便于后续作为深度学习模型(例如为卷积神经网络)的输入。结合图3所示，对于原始信号数据，本发明通过数据分割的方式得到第一子数据1、第一子数据2、……、第一子数据N-1。结合图4所示，本发明能够对设备的原始信号数据设置多个数据采样点，两个相邻的数据采样点之间的数据可为一个第一子数据。图4左侧示出了原始信号数据、右侧示出了分割原始信号数据后得到的多个第一子数据。设备的一次采样数据可能有多个数据采样点，基于多个数据采样点对原始信号数据按照总体周期进行分割，以实现原始信号区间分割的目的，将原始信号数据分割为多笔第一子数据。
如图3所示，如果第一子数据数量N比较大，从N笔第一子数据中随机选取k笔第一子数据，因此，本发明多个第一子数据一一对应的多个子区间故障判断结果为k个第一子数据对应的k个子区间故障判断结果。应当理解的是，本发明图3示出的故障诊断网络用于设备故障诊断，并可集成有后述的时频变换、特征提取、特征融合以及特征分类预测等功能。
步骤300，对多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据。本发明通过时频变换处理提取第一子数据的频域特征，即第二子数据用于表征第一子数据的频域特征。
如图5所示，本发明一个或多个实施例中对多个第一子数据分别进行时频变换处理可包括：对多个第一子数据分别进行小波变换处理。本发明实施例通过对第一子数据进行小波变换(wavelet transform)方式提取频域特征，以及将提取的频域特征描绘成小波时频图并保存，同时还可保存该第一子数据的子区间特征图。其中，小波变换是信号特征处理的重要内容，继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化的缺点，通过提供一个随频率变化的时间-频率窗口，实现对信号时频分析和处理，突出第一子数据中的故障特征；本发明实施例通过小波变换提取原始信号保留的特征信息，并能够将这些特征信息以小波变换时频图的形式保存。
步骤400，对多个第一子数据进行特征提取，以得到第一特征提取结果，并对多个第二子数据进行特征提取，以得到第二特征提取结果。具体实施时，本发明可利用深度学习模型实现特征提取，基于深度学习在特征提取和模型推理的优异表现，可以有效地提取第一子数据和第二子数据的特征，实现对大规模复杂的信号数据进行有效特征提取，例如实现快速且准确地提取振动信号数据的特征。
如图6所示，本发明实施例对多个第一子数据进行特征提取过程可以包括：通过深度学习模型对多个第一子数据的子区间特征图分别进行特征提取，并可具体包括：将子区间特征图转换(reshape)为二维数据格式的灰度图，由于灰度图数据量较小，本实施例通过普通卷积神经网络(CNN，Convolutional Neural Networks)提取灰度图的特征。本发明实施例对多个第二子数据进行特征提取可以包括：通过深度学习模型对多个第二子数据的小波时频图进行特征提取，并具体包括：输入彩色图片形式的小波时频图至深度学习模型中，该深度学习模型为ResNet(深度残差)网络，从而利用ResNet网络提取小波时频图的特征。
如图7所示，本发明实施例中的ResNet网络结构单元包括但不限于权重层(weightlayer)和(relu)激活函数层，ResNet网络第i层的输入除了接收i-1层网络的非线性输出F(X)以外还接收i-1层网络的原始输入X，这样的结构使得ResNet网络实现了增强特征复用，以减轻深度学习的反向传播中容易出现梯度消失的情况，防止网络拟合能力退化。
步骤500，对第一特征提取结果和第二特征提取结果进行特征融合，以得到融合后的特征。本发明将两种不同的特征相融合，以得到用于故障诊断的特征融合结果。本发明一个或多个实施例中对第一特征提取结果和第二特征提取结果进行特征融合之前，还可以包括：对第一特征提取结果进行平铺(Flatten)处理，以及对第二特征提取结果进行平铺处理；基于平铺处理方式，本发明将第一特征提取结果和第二特征提取结果分别转变为一维数据，以便于后续特征融合，即特征融合的过程具体可为两种一维数据的融合，融合效果也更好。
步骤600，根据融合后的特征确定设备的故障诊断结果。本发明融合后的特征中可包含设备故障相关的特征，基于设备故障相关的特征对设备进行故障诊断，以确定设备故障诊断结果。
如图2所示，本发明一个或多个实施例中根据融合后的特征确定设备的故障诊断结果具体可包括：根据融合后的特征确定多个第一子数据一一对应的多个子区间故障判断结果，基于多个子区间故障判断结果确定设备的故障诊断结果。本发明的可选实施方式中，对于与第一子数据一一对应的各个子区间故障判断结果，可以根据故障类型投票表决方法确定设备的最终故障类型，例如通过投票表决方式选择子区间故障判断结果数量最多或者评价分数最高的一个子区间故障判断结果作为设备的故障诊断结果。本发明能够在多个子区间故障判断结果基础上确定最终的设备故障诊断结果，该方式能够涉及到更多的设备故障原因，并从众多可能的故障原因确定设备故障诊断结果。
可选地，本发明一个或多个实施例中根据融合后的特征确定多个第一子数据一一对应的多个子区间故障判断结果包括：将融合后的特征输入至训练完成的分类网络中，并通过分类网络输出各个第一子数据一一对应的子区间故障判断结果；分类网络用于确定与输入的融合后的特征相匹配的子区间故障判断结果。本发明实施例中涉及的分类网络具体可为深度残差网络。
如图8和图9所示，本发明一个或多个实施例中将融合后的特征输入至训练完成的分类网络中之前，还包括：接收在云端训练完成的学生模型，学生模型为使用教师模型进行知识蒸馏的深度学习模型，教师模型为深度学习模型；本地部署学生模型，并以学生模型作为分类网络。从深度学习模型规模角度看，本发明实施例中教师模型(TeacherModel)为大模型，学生模型(StudentModel)为小模型。教师模型的网络结构复杂，可学习到真实目标强大且全面的知识，而学生模型结构简单、参数量较少，通过学习教师模型和真实目标的对比知识，可以得到较为准确的结果。本发明云端负责大规模数据的数据预处理和模型训练，并将训练好的模型下发到边缘端设备，边缘端设备接收到云端下发的模型后，部署于本地，并通过执行推理功能达到故障诊断的目的。
在模型训练和模型蒸馏阶段，云端服务器收集大规模训练数据，分别训练两个模型：教师模型和学生模型。教师模型学习训练样本的全面知识，通过知识蒸馏的方式学生模型学习教师模型的知识，并计算与训练数据的真实目标的损失，以增强学生模型学到的知识能力，从而使学生模型得到与教师模型相当的推理预测能力。在模型下发和部署阶段，对于云端训练好的教师模型和学生模型，由于学生模型具有网络结构相对简单、参数量大大少于教师模型等优点，轻量化的学生模型视为一种压缩模型，并下发到边缘端进行部署，此过程可以通过编制的脚本一键完成。在模型推理和数据上传阶段，边缘端设备将学生模型部署于本地，对采集的数据预处理后进行推理预测而得到设备故障诊断结果，同时边缘端设备还能够将推理数据上传至云端，基于该方式本发明能够更新云端的训练数据集，若边缘端模型老化，云端可以利用边缘端上传的比较新的数据集继续进行训练，从而可获得新的训练后的学生模型，进一步保证了本发明设备故障诊断的准确性。在如上流程中，虽然云端与边缘端之间通过网络进行了交互，但这种交互只包含模型下发和数据上传的步骤，属于非实时性的要求，交互过程不会对设备故障诊断过程产生任何影响，不需要实时返回结果，所以上述过程对网络资源要求不高。
如图9所示，本发明具体采用知识蒸馏方式得到作为压缩模型的学生模型，知识蒸馏具有压缩效果好、损失精度低等优点。具体将已训练好的教师模型参数迁移到学生模型来帮助学生模型的训练，教师模型网络层较深、结构复杂，可以学习训练样本比较全面的知识，但是训练较为耗时且模型保存文件较大，其不适于部署于边缘端。本发明通过复杂的教师模型训练得到的logit(输出层神经元的输出)，经过softmax(逻辑回归函数)得到软标签(soft labels)，目的是使正确分类的类别概率更大和容易区分。学生模型是一个简单的网络结构，其学习的logit经过softmax得到软预测(soft predictions)结果，然后计算与教师模型得到的软标签之间的Loss(损失)，同时，学生模型另一softmax得到的硬预测(hardpredictions)结果与训练数据的硬标签(hard labels)计算Loss，硬标签或称之为真实标签(ground truth)，通过不断地训练与迭代，学生模型学到与教师模型类似的预测推理能力。整个知识蒸馏优化目标为如下的函数L，Lsoft和Lhard分别为两个损失函数，以交叉熵的方式得到，α和β为损失函数的系数，pi T和qi T为softmax函数，而T参数类似于蒸馏物质操作需要控制的问题，加上T参数可区分训练过程中不同类别的细小差异，使得模型的分类能力鲁棒性更强。
L＝αLsoft+βLhard
Figure BDA0003590296920000091
Figure BDA0003590296920000092
Figure BDA0003590296920000093
Figure BDA0003590296920000094
传统的深度学习模型往往具有结构复杂、网络层次深及模型规模较大的特点，但是边缘端设备的资源比较有限，所以在边缘端不适合直接部署传统的深度学习模型。本发明针对传统的深度学习模型规模较大且复杂的问题，采用知识蒸馏的手段解决边缘端部署深度学习模型的问题。可见本发明能够提供一种基于知识蒸馏的设备故障诊断方法，在精度损失较小的情况下，将“缩小的”深度学习模型部署于边缘端，以使边缘端设备能够高效使用深度学习推理能力，进而达到基于深度学习进行设备故障诊断的目的，极大地提升了故障诊断效果。
相比于通过部署在云端的深度学习模型接收边缘端上传的推理数据、执行推理运算以及将处理结果返回至边缘端的方式，本发明故障诊断过程中无需与云端交互，避免了由于网络通信不畅影响故障诊断过程的问题。
如图3所示，本发明一个或多个实施例基于多个子区间故障判断结果确定设备的故障诊断结果可包括：基于多个子区间故障判断结果得到各个故障类型下的判断结果数量，根据各个故障类型下的判断结果数量确定设备的故障诊断结果。基于判断结果数量选择至少一个子区间故障判断结果作为设备故障诊断结果，本发明一个或多个实施例中根据各个故障类型下的判断结果数量确定设备的故障诊断结果可包括：确定判断结果数量最多的故障类型作为目标故障类型，若目标故障类型的判断结果数量与所有故障类型下的判断结果数量的比值大于或等于设定阈值，则以目标故障类型作为设备的故障诊断结果。例如故障类型a的判断结果数量为1000，故障类型b的判断结果数量为100，……，确定故障类型a为目标故障类型，并在故障类型a的判断结果数量1000与所有故障类型的判断结果数量的比值大于设定阈值情况下，则故障类型a为设备的故障诊断结果，该设定阈值例如可为0.9。其中，如果分类网络识别出子区间故障，则说明设备存在故障以及确定故障类型；如果分类网络未识别出子区间故障，则说明设备无故障；由此可以看出，本发明技术方案能够准确诊断设备是否存在故障及其故障类型。与一般的基于定性分析的设备故障判断方式相比，本发明能够将设备故障诊断的依据进行量化，具体根据判断结果数量和目标故障类型的判断结果数量占比判定目标故障类型为设备的故障诊断结果，极大提高了设备故障诊断结果的可靠性和准确性，彻底解决现有技术故障诊断准确性不高和可靠性较差等问题。
如图10所示，与本发明提供的设备故障诊断方法基于同一发明技术构思，本发明一个或多个实施例还能够提供一种设备故障诊断装置。其中，本发明的设备故障诊断装置应用于边缘端，包括但不限于数据获取模块、数据分割模块、时频变换模块、特征提取模块、特征融合模块及故障判断模块，具体说明如下。
数据获取模块，用于获取待进行故障诊断的设备运行时产生的原始信号数据。
数据分割模块，用于对原始信号数据进行数据分割处理，以将原始信号数据分割为多个第一子数据。
时频变换模块，用于对多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据。
可选地，时频变换模块具体用于对多个第一子数据分别进行小波变换处理。
特征提取模块，用于对多个第一子数据进行特征提取，以得到第一特征提取结果，并用于对多个第二子数据进行特征提取，以得到第二特征提取结果。
特征融合模块，用于对第一特征提取结果和第二特征提取结果进行特征融合，以得到融合后的特征。
故障判断模块，用于根据融合后的特征确定设备的故障诊断结果。
可选地，故障判断模块可用于根据融合后的特征确定多个第一子数据一一对应的多个子区间故障判断结果，以及用于基于多个子区间故障判断结果确定设备的故障诊断结果。
具体地，故障判断模块可用于基于多个子区间故障判断结果得到各个故障类型下的判断结果数量，并用于根据各个故障类型下的判断结果数量确定设备的故障诊断结果。
更为具体地，故障判断模块可用于确定判断结果数量最多的故障类型作为目标故障类型，故障判断模块可用于根据目标故障类型的判断结果数量与所有故障类型下的判断结果数量的比值大于或等于设定阈值，以目标故障类型作为设备的故障诊断结果。
可选地，故障判断模块可用于将融合后的特征输入至训练完成的分类网络中，并能够用于通过分类网络输出各个第一子数据一一对应的子区间故障判断结果；分类网络用于确定与输入的融合后的特征相匹配的子区间故障判断结果。
本发明一个或多个实施例中的设备故障诊断方法还可包括模型部署模块。
该模型部署模块可用于接收在云端训练完成的学生模型，学生模型为使用教师模型进行知识蒸馏的深度学习模型，教师模型为深度学习模型。该模型部署模块还用于本地部署学生模型，并以学生模型作为分类网络。
如图11所示，与设备故障诊断方法基于同一发明技术构思，本发明一个或多个实施例还能够提供一种电子设备，该电子设备可包括但不限于存储器和处理器，存储器中存储有计算机可读指令，该计算机可读指令被处理器执行时，使得处理器执行本发明任一实施例中设备故障诊断方法的步骤。其中，设备故障诊断方法的详细实现过程已在本说明书中有详细的记载，此处不再进行赘述。
如图11所示，与设备故障诊断方法基于同一发明技术构思，本发明一个或多个实施例还能够提供一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本发明任一实施例中设备故障诊断方法的步骤。其中，设备故障诊断方法的详细实现过程已在本说明书中有详细的记载，此处不再进行赘述。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读存储介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read-Only Memory)，可擦除可编辑只读存储器(EPROM，Erasable Programmable Read-Only Memory，或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM，Compact Disc Read-Only Memory)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA，Programmable Gate Array)，现场可编程门阵列(FPGA，Field Programmable Gate Array)等。
在本说明书的描述中，参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种设备故障诊断方法，其特征在于，包括：
获取待进行故障诊断的设备运行时产生的原始信号数据；
对所述原始信号数据进行数据分割处理，以将所述原始信号数据分割为多个第一子数据；
对所述多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据；
对所述多个第一子数据进行特征提取，以得到第一特征提取结果，并对所述多个第二子数据进行特征提取，以得到第二特征提取结果；
对所述第一特征提取结果和所述第二特征提取结果进行特征融合，以得到融合后的特征；
根据所述融合后的特征确定设备的故障诊断结果。
2.根据权利要求1所述的设备故障诊断方法，其特征在于，所述根据所述融合后的特征确定设备的故障诊断结果包括：
根据所述融合后的特征确定多个第一子数据一一对应的多个子区间故障判断结果；
基于所述多个子区间故障判断结果确定设备的故障诊断结果。
3.根据权利要求2所述的设备故障诊断方法，其特征在于，所述基于所述多个子区间故障判断结果确定设备的故障诊断结果包括：
基于所述多个子区间故障判断结果得到各个故障类型下的判断结果数量；
根据所述各个故障类型下的判断结果数量确定设备的故障诊断结果。
4.根据权利要求3所述的设备故障诊断方法，其特征在于，所述根据所述各个故障类型下的判断结果数量确定设备的故障诊断结果包括：
确定判断结果数量最多的故障类型作为目标故障类型；
若目标故障类型的判断结果数量与所有故障类型下的判断结果数量的比值大于或等于设定阈值，则以所述目标故障类型作为设备的故障诊断结果。
5.根据权利要求2至4中任一权利要求所述的设备故障诊断方法，其特征在于，所述根据所述融合后的特征确定多个第一子数据一一对应的多个子区间故障判断结果包括：
将所述融合后的特征输入至训练完成的分类网络中，并通过所述分类网络输出各个第一子数据一一对应的子区间故障判断结果；所述分类网络用于确定与输入的融合后的特征相匹配的子区间故障判断结果。
6.根据权利要求5所述的设备故障诊断方法，其特征在于，所述将所述融合后的特征输入至训练完成的分类网络中之前，还包括：
接收在云端训练完成的学生模型，所述学生模型为使用教师模型进行知识蒸馏的深度学习模型，所述教师模型为深度学习模型；
本地部署所述学生模型，并以所述学生模型作为所述分类网络。
7.根据权利要求1所述的设备故障诊断方法，其特征在于，所述对所述多个第一子数据分别进行时频变换处理包括：
对所述多个第一子数据分别进行小波变换处理。
8.一种设备故障诊断装置，其特征在于，包括：
数据获取模块，用于获取待进行故障诊断的设备运行时产生的原始信号数据；
数据分割模块，用于对所述原始信号数据进行数据分割处理，以将所述原始信号数据分割为多个第一子数据；
时频变换模块，用于对所述多个第一子数据分别进行时频变换处理，以对应生成多个第二子数据；
特征提取模块，用于对所述多个第一子数据进行特征提取，以得到第一特征提取结果，并用于对所述多个第二子数据进行特征提取，以得到第二特征提取结果；
特征融合模块，用于对所述第一特征提取结果和所述第二特征提取结果进行特征融合，以得到融合后的特征；
故障判断模块，用于根据所述融合后的特征确定设备的故障诊断结果。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，该计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述设备故障诊断方法的步骤。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项权利要求所述设备故障诊断方法的步骤。
CN202210375676.3A 2022-04-11 2022-04-11 设备故障诊断方法、装置、电子设备及存储介质 Pending CN114722942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210375676.3A CN114722942A (zh) 2022-04-11 2022-04-11 设备故障诊断方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210375676.3A CN114722942A (zh) 2022-04-11 2022-04-11 设备故障诊断方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114722942A true CN114722942A (zh) 2022-07-08

Family

ID=82243984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210375676.3A Pending CN114722942A (zh) 2022-04-11 2022-04-11 设备故障诊断方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114722942A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407733A (zh) * 2023-12-12 2024-01-16 南昌科晨电力试验研究有限公司 一种基于对抗生成shapelet的流量异常检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407733A (zh) * 2023-12-12 2024-01-16 南昌科晨电力试验研究有限公司 一种基于对抗生成shapelet的流量异常检测方法及系统
CN117407733B (zh) * 2023-12-12 2024-04-02 南昌科晨电力试验研究有限公司 一种基于对抗生成shapelet的流量异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN111650453B (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN109582793A (zh) 模型训练方法、客服系统及数据标注系统、可读存储介质
CN106355151A (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN106557563A (zh) 基于人工智能的查询语句推荐方法及装置
CN112819099B (zh) 网络模型的训练方法、数据处理方法、装置、介质及设备
CN111508480B (zh) 音频识别模型的训练方法、音频识别方法、装置及设备
CN112949408B (zh) 一种过鱼通道目标鱼类实时识别方法和系统
CN109919302B (zh) 一种用于图像的神经网络的训练方法及装置
CN111160959B (zh) 一种用户点击转化预估方法及装置
CN112508099A (zh) 一种实时目标检测的方法和装置
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN111160526B (zh) 基于mape-d环形结构的深度学习系统在线测试方法与装置
CN110427978B (zh) 面向小样本学习的变分自编码器网络模型和装置
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
CN114722942A (zh) 设备故障诊断方法、装置、电子设备及存储介质
CN114662541A (zh) 故障诊断模型构建方法、装置及电子设备
CN114742840A (zh) 一种图像分割方法、装置、终端设备及可读存储介质
CN114010180A (zh) 一种基于卷积神经网络的磁共振快速成像方法及装置
CN116884435A (zh) 一种基于音频提示学习的声音事件检测方法及装置
CN114708307B (zh) 基于相关滤波器的目标跟踪方法、系统、存储介质及设备
Siva Teja et al. Identification of sloshing noises using convolutional neural network
CN115908969A (zh) 图像处理及模型训练的方法和设备
CN115358410A (zh) 预训练模型的领域增强方法、装置、设备及存储介质
CN115937870A (zh) 字符级文本检测模型的训练方法及装置、介质、终端

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