CN115034369A - 故障诊断的方法、装置、存储介质和电子设备 - Google Patents

故障诊断的方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN115034369A
CN115034369A CN202210674880.5A CN202210674880A CN115034369A CN 115034369 A CN115034369 A CN 115034369A CN 202210674880 A CN202210674880 A CN 202210674880A CN 115034369 A CN115034369 A CN 115034369A
Authority
CN
China
Prior art keywords
sample data
target
fault diagnosis
training
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
CN202210674880.5A
Other languages
English (en)
Inventor
郭海峰
马继明
侯会杰
孙志勇
赵辉
耿兆旺
杨楠
宫立江
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.)
Baoding Zhengde Power Technology Co ltd
Tianjin Guoneng Panshan Power Generation Co ltd
Original Assignee
Baoding Zhengde Power Technology Co ltd
Tianjin Guoneng Panshan Power Generation 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 Baoding Zhengde Power Technology Co ltd, Tianjin Guoneng Panshan Power Generation Co ltd filed Critical Baoding Zhengde Power Technology Co ltd
Priority to CN202210674880.5A priority Critical patent/CN115034369A/zh
Publication of CN115034369A publication Critical patent/CN115034369A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开涉及一种故障诊断的方法、装置、存储介质和电子设备，该方法包括：通过获取待诊断的目标设备的设备运行数据；将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述和训练样本数据和目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。这样，解决了训练样本数据较少的问题，从而提高了故障诊断模型训练结果的准确性。

Description

故障诊断的方法、装置、存储介质和电子设备
技术领域
本公开涉及故障诊断的领域，具体地，涉及一种故障诊断的方法、装置、存储介质和电子设备。
背景技术
石灰石浆液是一种重要的电厂生产原料，石灰石浆液的品质会对电厂的发电效率产生巨大影响，而制浆系统是否稳定运行是影响成品石灰石浆液品质的重要因素，如果制浆系统旋流站因旋流子堵塞发生故障，会导致石灰石浆液密度和颗粒系度过大，从而降低石灰石浆液品质。
目前，现有的故障诊断模型的训练需要依靠大量数据，由于制浆系统故障数据较少，且故障数据不够全面，因此现有的故障诊断模型故障诊断的准确率低，制浆系统的故障诊断技术主要还是靠运行人员在生产现场巡视时对旋流站运行状态进行判断，不能及时发现故障情况。
发明内容
为了解决上述问题，本公开提供了一种故障诊断的方法、装置、存储介质和电子设备。
第一方面，本公开提供了一种故障诊断的方法，所述方法包括：获取待诊断的目标设备的设备运行数据；将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述和训练样本数据和目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。
可选的，所述生成式对抗网络是通过以下方式训练的：获取训练样本数据；根据所述训练样本数据，通过对第一预设模型进行训练，得到所述生成式对抗网络。
可选的，所述故障诊断模型是通过以下方式训练的：通过所述生成式对抗网络，生成目标样本数据；所述目标样本数据包括所述目标设备的仿真运行数据和所述仿真运行数据对应的仿真诊断结果；根据所述训练样本数据和所述目标样本数据，通过对第二预设模型进行训练，得到所述故障诊断模型。
可选的，所述方法还包括：通过所述生成式对抗网络，周期性生成所述目标样本数据；将所述目标样本数据中的仿真运行数据输入所述故障诊断模型；在所述故障诊断模型的输出与所述仿真运行数据对应的仿真诊断结果不同的情况下，重新对所述故障诊断模型进行训练。
可选的，所述将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果包括：根据所述设备运行数据，通过变分模态分解，获取目标诊断数据；将所述目标诊断数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果。
可选的，所述方法还包括：将所述目标设备的诊断结果上传至显示终端；在所述诊断结果为故障的情况下，发出告警信息。
第二方面，本公开提供了一种故障诊断的装置，所述装置包括：获取模块，用于获取待诊断的目标设备的设备运行数据；诊断模块，用于将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；
其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述和训练样本数据和目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。
可选的，所述生成式对抗网络是通过以下方式训练的：获取训练样本数据；根据所述训练样本数据，通过对第一预设模型进行训练，得到所述生成式对抗网络。
可选的，所述故障诊断模型是通过以下方式训练的：通过所述生成式对抗网络，生成目标样本数据；所述目标样本数据包括所述目标设备的仿真运行数据和所述仿真运行数据对应的仿真诊断结果；根据所述训练样本数据和所述目标样本数据，通过对第二预设模型进行训练，得到所述故障诊断模型。
可选的，所述装置还包括：检测装置，用于通过所述生成式对抗网络，周期性生成所述目标样本数据；将所述目标样本数据中的仿真运行数据输入所述故障诊断模型；在所述故障诊断模型的输出与所述仿真运行数据对应的仿真诊断结果不同的情况下，重新对所述故障诊断模型进行训练。
可选的，所述诊断模块用于根据所述设备运行数据，通过变分模态分解，获取目标诊断数据；将所述目标诊断数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果。
可选的，所述装置还包括：告警装置，用于将所述目标设备的诊断结果上传至显示终端；在所述诊断结果为故障的情况下，发出告警信息。
第三方面，本公开提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
第四方面，本公开提供了一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现上述方法的步骤。
采用上述方法，通过获取待诊断的目标设备的设备运行数据；将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述和训练样本数据和目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。这样，通过生成式对抗网络生成目标样本数据，解决了训练样本数据较少的问题，从而提高了故障诊断模型训练结果的准确性，有利于故障诊断模型的普及应用，提高了发现设备故障的速度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是本申请根据一示例性实施例示出的一种故障诊断的方法流程图；
图2是本申请根据一示例性实施例示出的一种生成式对抗网络的训练方法流程图；
图3是本申请根据一示例性实施例示出的一种故障诊断模型的训练方法流程图；
图4是本申请根据一示例性实施例示出的一种故障诊断的装置框图；
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
首先对本公开的应用场景进行说明，本公开应用于设备诊断的场景，主要包括制浆系统的设备诊断，在该场景下，由于制浆系统故障状态下运行数据较少，且故障原因单一，对于故障诊断模型的训练不完善，导致该故障诊断模型的故障诊断准确率低，不具备实际应用的意义。因此制浆系统的故障诊断技术主要还是靠运行人员在生产现场巡视时对旋流站运行状态进行判断，不能及时发现故障情况。
为了解决上述问题，本公开提供了一种故障诊断的方法、装置、存储介质和电子设备。通过获取待诊断的目标设备的设备运行数据；将该设备运行数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果，该诊断结果用于表征该目标设备是否故障；其中，该故障诊断模型，是根据该目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据该和训练样本数据和目标样本数据对预设训练模型进行训练得到的，该训练样本数据包括该目标设备的实际运行数据和该实际运行数据对应的诊断结果。这样，通过生成式对抗网络生成目标样本数据，解决了训练样本数据较少的问题，从而提高了故障诊断模型训练结果的准确性，有利于故障诊断模型的普及应用，提高了发现设备故障的速度。
下面结合具体地实施例对本公开进行说明。
图1是本申请根据一示例性实施例示出的一种故障诊断的方法，如图1所示，该方法包括：
S101、获取待诊断的目标设备的设备运行数据。
S102、将该设备运行数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果。
其中，该诊断结果用于表征该目标设备是否故障；该故障诊断模型，是根据该目标设备的训练样本数据，通过GAN(Generative Adversarial Networks，生成式对抗网络)生成目标样本数据，并根据该和训练样本数据和目标样本数据对预设训练模型进行训练得到的，该训练样本数据包括该目标设备的实际运行数据和该实际运行数据对应的诊断结果。
在一些实施例中，为了提高数据处理的效率，并考虑到该设备运行数据中可能存在部分无用信息，需要减少需要处理的部分无用数据和信息，而且这些无用信息会对该故障诊断模型的诊断结果造成干扰，因此，为了进一步提高故障诊断的准确性，可以对该设备运行数据进行预处理，以便提高该故障诊断模型效率，并提高故障诊断结果的准确率。
示例地，可以根据该设备运行数据，通过VMD(Variational mode decomposition，变分模态分解)，获取目标诊断数据；将该目标诊断数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果。
其中，该目标诊断数据可以是该设备运行数据通过VMD进行信号分解后的任一个信号分量，但是在该目标诊断数据确定为该设备运行数据的某一序列分量后，后续使用或者训练该故障诊断模型和该生成式对抗网络的情况下，统一使用该序列分量，如确定该目标诊断数据为该设备运行数据的第一个信号分量，则后续使用和训练该故障诊断模型和该生成式对抗网络的情况下，都使用该第一个信号分量。
VMD是一种自适应信号分解算法，能够有效的处理非平稳、非线性时间序列，采用迭代搜寻变分模型获得最优解，根据预设参数K，将原始序列f分解为K个具有不同中心频率的IMF(intrinsic mode function，有限带宽固有模态函数)分量，该IMF分量随着参数K的增大，重构后越接近原始序列。
VMD分解过程如下：
构造变分约束问题，模型表达式为：
Figure BDA0003694376460000071
上式中，K为预设参数，t为时间参数，
Figure BDA0003694376460000072
表示对时间求偏导，δ(t)表示狄拉克分布函数，ωk表示中心频率，uk表示模态函数。
引入拉格朗日乘子和二次惩罚函数，将上述公式的变分约束问题转化成变分非约束问题，即：
Figure BDA0003694376460000073
式中：α为惩罚因子；λ为拉格朗日乘子；<...>表示向量內积运算。
通过交替方向乘子算法寻优，迭代更新获得ωk、uk的最优解，其更新公式为：
Figure BDA0003694376460000074
式中：
Figure BDA0003694376460000075
和
Figure BDA0003694376460000076
分别为uk(n)、f、λ(n)的傅里叶变换。
这样，通过对设备运行数据进行预处理，提取需要进行诊断的目标诊断数据，有利于提高故障诊断结果的准确性。
图2是本申请根据一示例性实施例示出的一种生成式对抗网络的训练方法，如图2所示，可以先对该生成式对抗网络进行训练，具体步骤为：
S201、获取训练样本数据。
S202、根据该训练样本数据，通过对第一预设模型进行训练，得到该生成式对抗网络。
其中，该训练样本数据可以是由该目标设备的实际运行数据通过VMD进行信号分解后的信号分量和对应于该实际运行数据的诊断结果，此处该训练样本数据与上述目标诊断数据保持一致，确定该实际运行数据通过VMD分解后的第一个信号分量为该训练样本数据。该生成式对抗网络由一个生成器G和一个判别器D构成。G学习训练样本数据的分布规律，以得到样本数据分布规律，并以此生成目标样本数据；D是判别器，用来判别输入是训练样本数据还是目标样本数据，G和D之间通过对抗学习彼此不断提升，当D无法判断输入来源时，确定G学习到了样本数据分布规律。
在该GAN的训练中，将符合样本数据分布情况P(x)的训练样本数据x标注为1，G生成的目标样本数据G(Z)的样本标注为0，D(x)代表输入的样本数据来源于训练样本数据的概率。当输入为x，D的目标是使D(x)趋近于1，而当输入为G(Z)，则应使D(G(Z))趋近于0，但此时G的目标是使生成的G(Z)经过判别器D判别，D(G(Z))趋近于1。这实际上是G和D间的对抗博弈，所以GAN的训练是一个极小极大化问题，其目标函数可描述为：
Figure BDA0003694376460000081
上式中，z为先验分布，如高斯分布、均匀分布；E为计算期望值。因此，GAN的训练过程包含G的学习和D的优化，通常采用两者交替的方法，即先固定G，优化D，使得判别器D的判别准确率最大化；然后固定D，训练生成器G，使得D的判别准确率最小化。
此外，由于传统GAN利用JS(Jensen–Shannon divergence)散度来判别生成数据分布与实际数据的分布情况，可能导致生成器训练过程中梯度消失、模式坍塌等问题。针对这一问题，可以用Wasserstein距离替换JS散度来度量样本数据分布情况P(x)与目标样本的分布情况P(g)之间的差异，提高网络训练的稳定性。定义如下所示：
Figure BDA0003694376460000091
上式中，Π(Pr,Pg)是P(x)与P(g)为边缘分布的联合概率分布γ的集合；W(Pr,Pg)表示γ(x，y)期望的下确界。
示例地，根据该生成式对抗网络中生成器G，得到xfake，并与从训练样本数据中选取的样本xreal输入到判别器D中判断该样本真假，计算xfake的数据损失，更新判别器D的网络参数，以使xfake的数据损失达到最大，然后生成器G重新生成xfake并输入至判别器D中，再次计算xfake的数据损失，并更新生成器G的网络参数，以使xfake的数据损失达到最小，交替训练判别器模型和生成器模型，直到达到纳什均衡后停止更新网络参数，并利用生成器模型生成该目标样本数据。
这样，通过该训练样本数据对该生成式对抗网络进行训练，以便生成符合该样本数据分布情况的目标样本数据，扩大了样本数据的范围和数量，有利于提高该故障诊断模型的准确性。
图3是本申请根据一示例性实施例示出的一种故障诊断模型的训练方法，如图3所示，该方法包括：
S301、通过该生成式对抗网络，生成目标样本数据。
其中，该目标样本数据包括该目标设备的仿真运行数据和该仿真运行数据对应的仿真诊断结果；
S302、根据该训练样本数据和该目标样本数据，通过对第二预设模型进行训练，得到该故障诊断模型。
这样，通过该训练样本数据和该目标样本数据，训练生成该故障诊断模型，扩大了样本数据的范围和数量，有利于提高该故障诊断模型诊断结果的准确性。
另外，为了保证该故障诊断模型诊断结果的准确性，还可以通过该生成式对抗网络，周期性生成该目标样本数据；将该目标样本数据中的仿真运行数据输入该故障诊断模型；在该故障诊断模型的输出与该仿真运行数据对应的仿真诊断结果不同的情况下，重新对该故障诊断模型进行训练。
例如，可以每10天通过该对抗式生成网络生成一组目标样本数据，并将该目标样本数据中的仿真运行数据输入至该故障诊断模型，通过该故障诊断模型获取诊断结果，并将该诊断结果与该仿真运行数据对应的仿真诊断结果进行对比，在对比结果为不一致的情况下，重新对该故障诊断模型进行训练。
此外，还可以周期性对该生成式对抗网络进行训练，或者在该设备运行过程中产生新的重要数据的情况下，如产生新类型故障的数据，对该对抗式生成网络和该故障诊断模型重新进行训练。
这样，通过周期性对该故障诊断模型进行检测，有利于提高该故障诊断模型诊断结果的准确性。
此外，还可以将该目标设备的诊断结果上传至显示终端，并在该诊断结果为故障的情况下，发出告警信息。这样，可以及时更新该目标设备的运行情况，并在该目标设备出现故障的情况下，及时发出告警信息以提示用户。
采用上述方法，通过获取待诊断的目标设备的设备运行数据；将该设备运行数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果，该诊断结果用于表征该目标设备是否故障；其中，该故障诊断模型，是根据该目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据该和训练样本数据和目标样本数据对预设训练模型进行训练得到的，该训练样本数据包括该目标设备的实际运行数据和该实际运行数据对应的诊断结果。这样，通过生成式对抗网络生成目标样本数据，解决了训练样本数据较少的问题，从而提高了故障诊断模型训练结果的准确性，有利于故障诊断模型的普及应用，提高了发现设备故障的速度。
图4是本申请根据一示例性实施例示出的一种故障诊断的装置，该装置包括：获取模块，用于获取待诊断的目标设备的设备运行数据；诊断模块，用于将该设备运行数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果，该诊断结果用于表征该目标设备是否故障；
其中，该故障诊断模型，是根据该目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据该和训练样本数据和目标样本数据对预设训练模型进行训练得到的，该训练样本数据包括该目标设备的实际运行数据和该实际运行数据对应的诊断结果。
可选的，该生成式对抗网络是通过以下方式训练的：获取训练样本数据；根据该训练样本数据，通过对第一预设模型进行训练，得到该生成式对抗网络。
可选的，该故障诊断模型是通过以下方式训练的：通过该生成式对抗网络，生成目标样本数据；该目标样本数据包括该目标设备的仿真运行数据和该仿真运行数据对应的仿真诊断结果；根据该训练样本数据和该目标样本数据，通过对第二预设模型进行训练，得到该故障诊断模型。
可选的，该装置还包括：检测装置，用于通过该生成式对抗网络，周期性生成该目标样本数据；将该目标样本数据中的仿真运行数据输入该故障诊断模型；在该故障诊断模型的输出与该仿真运行数据对应的仿真诊断结果不同的情况下，重新对该故障诊断模型进行训练。
可选的，该诊断模块用于根据该设备运行数据，通过变分模态分解，获取目标诊断数据；将该目标诊断数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果。
可选的，该装置还包括：告警装置，用于将该目标设备的诊断结果上传至显示终端；在该诊断结果为故障的情况下，发出告警信息。
采用上述装置，通过获取待诊断的目标设备的设备运行数据；将该设备运行数据输入预先训练的故障诊断模型，以得到该故障诊断模型输出的该目标设备的诊断结果，该诊断结果用于表征该目标设备是否故障；其中，该故障诊断模型，是根据该目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据该和训练样本数据和目标样本数据对预设训练模型进行训练得到的，该训练样本数据包括该目标设备的实际运行数据和该实际运行数据对应的诊断结果。这样，通过生成式对抗网络生成目标样本数据，解决了训练样本数据较少的问题，从而提高了故障诊断模型训练结果的准确性，有利于故障诊断模型的普及应用，提高了发现设备故障的速度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图。如图5所示，该电子设备500可以包括：处理器501，存储器502。该电子设备500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。
其中，处理器501用于控制该电子设备500的整体操作，以完成上述的故障诊断的方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的故障诊断的方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的故障诊断的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的故障诊断的方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的故障诊断的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种故障诊断的方法，其特征在于，所述方法包括：
获取待诊断的目标设备的设备运行数据；
将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；
其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述训练样本数据和所述目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络是通过以下方式训练的：
获取训练样本数据；
根据所述训练样本数据，通过对第一预设模型进行训练，得到所述生成式对抗网络。
3.根据权利要求2所述的方法，其特征在于，所述故障诊断模型是通过以下方式训练的：
通过所述生成式对抗网络，生成目标样本数据；所述目标样本数据包括所述目标设备的仿真运行数据和所述仿真运行数据对应的仿真诊断结果；
根据所述训练样本数据和所述目标样本数据，通过对第二预设模型进行训练，得到所述故障诊断模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过所述生成式对抗网络，周期性生成所述目标样本数据；
将所述目标样本数据中的仿真运行数据输入所述故障诊断模型；
在所述故障诊断模型的输出与所述仿真运行数据对应的仿真诊断结果不同的情况下，重新对所述故障诊断模型进行训练。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果包括：
根据所述设备运行数据，通过变分模态分解，获取目标诊断数据；
将所述目标诊断数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述目标设备的诊断结果上传至显示终端；
在所述诊断结果为故障的情况下，发出告警信息。
7.一种故障诊断的装置，其特征在于，所述装置包括：
获取模块，用于获取待诊断的目标设备的设备运行数据；
诊断模块，用于将所述设备运行数据输入预先训练的故障诊断模型，以得到所述故障诊断模型输出的所述目标设备的诊断结果，所述诊断结果用于表征所述目标设备是否故障；
其中，所述故障诊断模型，是根据所述目标设备的训练样本数据，通过生成式对抗网络生成目标样本数据，并根据所述和训练样本数据和目标样本数据对预设训练模型进行训练得到的，所述训练样本数据包括所述目标设备的实际运行数据和所述实际运行数据对应的诊断结果。
8.根据权利要求7所述的装置，其特征在于，所述生成式对抗网络是通过以下方式训练的：
获取训练样本数据；
根据所述训练样本数据，通过对第一预设模型进行训练，得到所述生成式对抗网络。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202210674880.5A 2022-06-14 2022-06-14 故障诊断的方法、装置、存储介质和电子设备 Pending CN115034369A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210674880.5A CN115034369A (zh) 2022-06-14 2022-06-14 故障诊断的方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210674880.5A CN115034369A (zh) 2022-06-14 2022-06-14 故障诊断的方法、装置、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN115034369A true CN115034369A (zh) 2022-09-09

Family

ID=83124743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210674880.5A Pending CN115034369A (zh) 2022-06-14 2022-06-14 故障诊断的方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN115034369A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792505A (zh) * 2023-02-02 2023-03-14 天津津轨汇海科技发展有限公司 一种轨道交通供电管理方法及系统
CN116935121A (zh) * 2023-07-20 2023-10-24 哈尔滨理工大学 面向跨地域光谱图像地物分类的双驱动特征学习方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115792505A (zh) * 2023-02-02 2023-03-14 天津津轨汇海科技发展有限公司 一种轨道交通供电管理方法及系统
CN116935121A (zh) * 2023-07-20 2023-10-24 哈尔滨理工大学 面向跨地域光谱图像地物分类的双驱动特征学习方法
CN116935121B (zh) * 2023-07-20 2024-04-19 哈尔滨理工大学 面向跨地域光谱图像地物分类的双驱动特征学习方法

Similar Documents

Publication Publication Date Title
CN110347873B (zh) 视频分类方法、装置、电子设备及存储介质
CN115034369A (zh) 故障诊断的方法、装置、存储介质和电子设备
US20190294975A1 (en) Predicting using digital twins
CN108885787B (zh) 训练图像修复模型的方法、图像修复方法、装置、介质及设备
EP3671441B1 (en) Application management method and apparatus, storage medium, and electronic device
TW202011280A (zh) 操作搜索框架系統之方法
US11263479B2 (en) Training apparatus, training method, and non-transitory computer-readable recording medium
US9436912B1 (en) Symmetric schema instantiation method for use in a case-based reasoning system
CN114964296A (zh) 车辆行驶路径规划方法、装置、设备和计算机可读介质
CN110704773B (zh) 基于频繁行为序列模式的异常行为检测方法及系统
US11366984B1 (en) Verifying a target object based on confidence coefficients generated by trained models
EP3690743A1 (en) Training apparatus, training method, and training program
CN116184988B (zh) 基于多模态数据的故障预测方法、装置、设备及存储介质
CN115934484A (zh) 基于扩散模型数据增强的异常检测方法、存储介质及设备
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN116644783A (zh) 模型训练方法、对象处理方法及装置、电子设备、介质
CN111582482B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN111062468B (zh) 生成网络的训练方法和系统、以及图像生成方法及设备
US20230025677A1 (en) Architecture for ml drift evaluation and visualization
US20240046068A1 (en) Information processing device for improving quality of generator of generative adversarial network (gan)
CN115761811A (zh) 一种景区动物识别、监控方法、装置和系统
CN116071833A (zh) 活体检验模型训练及活体检验方法、装置以及存储介质
CN117636100A (zh) 预训练任务模型调整处理方法、装置、电子设备和介质
CN110909700A (zh) 基于深度信念网络的多姿态人脸识别的方法和装置
CN116319386A (zh) 可用性及故障预测方法、装置、电子设备和介质

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