CN115184054B

CN115184054B - 机械设备半监督故障检测分析方法、装置、终端及介质

Info

Publication number: CN115184054B
Application number: CN202210598529.2A
Authority: CN
Inventors: 陈菲; 杨峥; 许彬彬; 马伯权; 周鑫; 曲则阁
Original assignee: Shenzhen Technology University
Current assignee: Shenzhen Technology University
Priority date: 2022-05-30
Filing date: 2022-05-30
Publication date: 2022-12-27
Anticipated expiration: 2042-05-30
Also published as: ZA202309655B; CN115184054A; WO2023231374A1

Abstract

本发明公开了一种机械设备半监督故障检测分析方法、装置、终端及介质，针对机械设备的有标签数据不完备的问题，预先通过少量的有标签样本和大量的无标签样本训练三元组网络模型，将有标签样本和无标签样本采用不同分支进行故障特征提取，利用无标签样本包含的信息指导有标签样本的特征提取。实现无监督学习补充监督学习，达到对大量未标记数据的有效利用。与现有技术相比，实现少标签情况下机械设备故障的准确识别。

Description

机械设备半监督故障检测分析方法、装置、终端及介质

技术领域

本发明涉及机械设备故障检测分析技术领域，尤其涉及的是一种机械设备半监督故障检测分析方法、装置、终端及存储介质。

背景技术

现代工业生产已经趋于高度集成化，智能化和复杂化，智能机械已经广泛地应用在工业生产制造中。智能机械的高效高可靠性的工作意味着高质量和稳定持续的工业生产线。因此，精确快速地对智能机械中的故障进行诊断，有利于及时的更换和维护智能机械中损坏的部件，保证生产的质量，甚至避免造成威胁人生命安全的事故。

近几年随着深度学习被引入到智能故障检测分析领域和监测数据呈爆炸式增长的趋势，传统的机器学习模式逐渐被深度学习所取代。深度学习强大的非线性拟合能力能够表征信号与健康状态之间复杂的映射关系，减少对信号处理技术和专家领域知识的依赖。

然而在工程实践中，由于智能机械长期处于正常服役状态，数据的标签难以获得或者获得的代价太大。因此获取到的数据呈现标签缺失、维度高、价值密度低等问题，现有的故障检测分析模型无法挖掘其携带的智能机械设备健康状况信息，导致大量的无标签数据被当作数据垃圾而搁置。因此，建立的故障检测分析模型性能表现不佳，阻碍了深度学习在机械故障检测分析中的广泛应用。

发明内容

本发明的主要目的在于提供一种机械设备半监督故障检测分析方法、装置、智能终端及存储介质，能够在难以获得大量有标签检测数据的情况下提取无标签检测数据的故障特征，获得机械设备的健康状态分析结果。

为了实现上述目的，本发明第一方面提供一种机械设备半监督故障检测分析方法，所述方法包括：

预先建立三元组网络模型，所述建立三元组网络模型的具体步骤包括：

获取样本集，所述样本集包括有标签样本集和无标签样本集；

将有标签样本集输入有噪声编码路径，获得有噪声编码路径输出的第一故障特征；

基于所述第一故障特征，根据有标签样本集中正样本与负样本的距离计算三元组损失；

将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征；

将无标签样本集输入无噪声编码路径，获得无噪声编码路径中各层输出的第二故障特征；

基于所述第二故障特征和所述重构特征，获得重构误差；

基于所述重构误差和所述三元组损失，获得损失值；

返回所述将有标签样本集输入有噪声编码路径进行重复迭代，直至达到设定迭代次数，得到三元组网络模型；

获取机械设备运行时的检测数据，将所述检测数据输入所述三元组网络模型，获得分析结果。

可选的，所述将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征，包括：

将无标签样本集结合高斯噪声输入有噪声编码路径，获得有噪声编码路径中各层输出的故障特征；

将所述有噪声编码路径中顶层输出的故障特征反向输入有噪声解码路径，获得有噪声解码路径中各层输出的解码特征；

基于有噪声编码路径中的层与有噪声解码路径中的层之间的关联，根据所述故障特征与所述解码特征获得有噪声解码路径中各层输出的重构特征。

可选的，所述基于有噪声编码路径中的层与有噪声解码路径中的层之间的关联，根据所述故障特征与所述解码特征获得有噪声解码路径中各层输出的重构特征，包括：

基于有噪声编码路径中的层与有噪声解码路径中的层之间的关联，将所述故障特征输入有噪声解码路径中的对应层；

根据有噪声解码路径每一层的所述故障特征与所述解码特征，根据组合激活函数，依次获得有噪声解码路径中每一层的重构特征。

可选的，所述根据有噪声解码路径每一层的所述故障特征与所述解码特征，根据组合激活函数，依次获得有噪声解码路径中每一层的重构特征，具体表达式为：

其中，噪声变量

为第l层第k个神经元的故障特征，

为第l层第k个神经元的解码特征，a_l,k,b_l,k,c_l,k分别为被随机初始化为服从N(0,0.2)分布的训练参数，g(·,·)为组合激活函数，sigmoid(·)为激活函数。

可选的，所述基于所述第一故障特征，根据有标签样本集中正样本与负样本的距离计算三元组损失，包括：

基于所述第一故障特征，归类所述有标签样本集中的所有正样本，获得正样本对集合；

依次计算所述正样本对集合中的每一正样本对与所述有标签样本集中的所有负样本对的特征距离，获得每一正样本对的损失；

累计所有所述正样本对的损失，获得所述三元组损失。

可选的，所述依次计算所述正样本对集合中的每一正样本对与所述有标签样本集中的所有负样本对的特征距离，获得每一正样本对的损失，包括：

获得所述正样本对中每个正样本与所述有标签样本集中的所有负样本对的特征距离的最小值；

获得所述正样本对中正样本之间的特征距离；

根据所有的所述最小值和所述特征距离，获得所述正样本对的损失。

可选的，所述累计所有所述正样本对的损失，获得所述三元组损失，具体表达式为：

其中，

为有标签样本集中所有正样本对的数量，J_i,j为正样本对的损失。

本发明第二方面提供一种机械设备半监督故障检测分析装置，其中，上述装置包括：

检测数据获取模块，用于获取机械设备运行时的检测数据；

分析模块，用于将所述检测数据输入所述三元组网络模型，获得分析结果；

样本数据获取模块，用于获取样本集，所述样本集包括有标签样本集和无标签样本集；

迭代模块，用于循环迭代所述三元组网络模型，直至达到设定迭代次数；

网络更新模块，用于将有标签样本集输入有噪声编码路径，获得有噪声编码路径输出的第一故障特征；基于所述第一故障特征，根据有标签样本集中正样本与负样本的距离计算三元组损失；将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征；将无标签样本集输入无噪声编码路径，获得无噪声编码路径中各层输出的第二故障特征；基于所述第二故障特征和所述重构特征，获得重构误差；基于所述重构误差和所述三元组损失，获得损失值。

本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的机械设备半监督故障检测分析程序，上述机械设备半监督故障检测分析程序被上述处理器执行时实现任意一项上述机械设备半监督故障检测分析方法的步骤。

本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有机械设备半监督故障检测分析程序，上述机械设备半监督故障检测分析程序被处理器执行时实现任意一项上述机械设备半监督故障检测分析方法的步骤。

由上可见，与现有技术相比，本发明的三元组网络模型设立了有噪声编码路径、有噪声解码路径和无噪声编码路径，用于将有标签样本和无标签样本采用不同分支进行故障特征提取，基于正样本和负样本的距离计算三元组损失，通过重构利用无标签样本包含的信息指导有标签样本的特征提取，利用无监督学习补充监督学习，以达到对大量未标记数据的有效利用，实现少标签情况下故障的准确识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的机械设备半监督故障检测分析方法中建立三元组网络模型示意图；

图2是图1实施例的步骤S400具体流程示意图；

图3是图1实施例的步骤S300具体流程示意图；

图4是图1实施例的三元组网络模型架构示意图；

图5是图1实施例的准确率曲线示意图；

图6是本发明实施例提供的机械设备半监督故障检测分析装置的结构示意图；

图7是本发明实施例提供的一种智能终端的内部结构原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

传统的机器学习算法需要采用大量的有标签样本进行学习，从而建立模型用于预测未知样本的标签，即监督学习。监督学习是机器学习中被研究最多，且应用最广泛的一种学习途径。

然而在工程实践中，机械设备长期处于正常服役状态，数据的标签难以获得或者获得的代价太大。因此，在标签数据较少的情况下，利用有标签数据和无标签数据实现与监督学习相同性能水平，减少对人工标注依赖的半监督学习的现实需求非常强烈，具有巨大的实践价值。

本发明针对机械设备的有标签数据不完备的问题，提供一种机械设备半监督故障检测分析方法，结合有限、少量的有标签数据对无标签数据进行信息挖掘，提取对工况鲁棒的特征，最终实现少标签情况下故障的准确识别。

示例性方法

本发明实施例提供一种机械设备半监督故障检测分析方法，应用在旋转机械设备上。预先通过少量的有标签样本和大量的无标签样本训练网络模型，建立本发明的三元组网络模型。然后通过机械设备安装的传感器，实时获取机械设备运行时的检测数据，将检测数据输入三元组网络模型后，就可以实时预测旋转机械设备的健康状态。

由于在机械设备运行过程中，采样频率较低情况下，难以采集到理想的故障数据；并且在没有加入故障检测分析系统的情况下，也无法判断采集到的数据是不是故障数据，是哪类故障数据。因此，工业过程有效样本稀少，导致可用于有监督学习的样本不足。

半监督学习的处理对象是一个不完全标记的数据集，主要关注当训练数据的部分信息缺失，数据的类别标签缺失、数据的部分特征维缺失的情况下，如何获得具有良好性能和泛化能力的网络模型。

本发明的基于半监督学习的三元组网络模型能够将同类别之间的特征距离拉近，而将不同类别之间的特征距离推远，非常适合智能故障检测分析领域中样本标签有限、故障种类多的情况。具体的，三元组网络模型包括无噪声编码路径、有噪声编码路径和有噪声解码路径，用于将有标签样本、无标签样本按照不同的路径分别进行特征提取。本实施例中设定每一上述路径中包含2个隐含层，有噪声编码路径在每一隐含层中添加不同损失程度σ的概率密度函数服从N(0,σ²)高斯分布的噪声

并在有噪声编码路径和有噪声解码路径之间添加横向连接。

如图1所示，建立本发明的三元组网络模型具体包括如下步骤：

步骤S100：获取样本集，所述样本集包括有标签样本集和无标签样本集；

具体的，本实施例获取旋转机械设备在运行过程中不同健康状态下的振动数据，所述健康状态用于标注机械设备的故障，如：正常、不同故障程度的内圈故障、不同故障程度的外圈故障和不同故障程度的滚动体故障等。

根据获得的振动数据，建立振动样本集

其中M是振动样本个数，每个样本xⁱ由D个振动数据点组成。根据振动样本集中的每个样本数据是否有标签，划分样本集，获得有标签样本集

和无标签样本集

其中yⁿ∈{1,2,3…}为有标签样本的标签，N表示有标签样本集的样本总数，M表示无标签样本集的样本总数，N＜＜M。

步骤S200：将有标签样本输入有噪声编码路径，获得有噪声编码路径输出的第一故障特征；

步骤S300：基于所述第一故障特征，根据有标签样本中正样本与负样本的距离计算三元组损失；

具体的，将有标签样本集

输入到有噪声编码路径，获得有标签数据集在第L隐含层的故障特征，即获得有噪声编码路径顶层输出的第一故障特征，并根据该故障特征获取有标签样本中正样本与负样本的距离来计算三元组损失。

步骤S400：将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征；

具体的，无标签样本集

输入到有噪声编码路径，并在有噪声编码路径的每一层的输入中引入高斯噪声，变成输入数据

在输入中引入高斯噪声的具体方法不限，例如直接将输入样本与高斯噪声进行向量相加。

通过在有噪声编码路径中每层与有噪声解码路径中的相应层建立横向连接，将有噪声编码路径中的每层输出输入有噪声解码路径中的相应层，获得有噪声解码路径中每一层输出的重构特征。因此，有噪声解码路径对有噪声编码路径输出的故障特征进行除噪时，在每层都具有从有噪声编码路径到有噪声解码路径的横向连接，每层都对网络的成本函数有贡献，使网络模型的每一层都能得到有效的学习。从而实现利用无监督学习补充监督学习，以达到对大量未标记数据的有效利用。

步骤S500：将无标签样本集输入无噪声编码路径，获得无噪声编码路径中各层输出的第二故障特征；

步骤S600：基于第二故障特征和重构特征，获得重构误差；

具体的，将无标签样本集

输入到无噪声编码路径，提取到无噪声编码路径中每一层的第二故障特征

参考图4，无噪声编码路径中的每一层均与有噪声编码路径中的相应层适配。根据第二故障特征和重构特征，获得第二故障特征与重构特征之间的重构误差C_Unlabel，具体表达式为：

式中，k_l为各层的宽度，N为训练样本的个数，λ_l为第l层解码损失重要程度的权重参数，BN为批标准化操作，z_l为第l层的第二故障特征，

为第l层的重构特征。

步骤S700：基于重构误差和三元组损失，获得损失值；

具体的，结合有标签数据集的三元组损失C_Label和无标签数据集的重构误差C_Unlabel，获得损失值C_Total。即三元组网络模型的最终目标函数表达式为:

C_Total＝_Label+_Unlabel

步骤S800：返回所述将有标签样本输入有噪声编码路径进行重复迭代，直至达到设定迭代次数，获得三元组网络模型。

具体的，重复执行上述步骤S200至S700，采用梯度下降法对三元组网络模型进行迭代训练，直至迭代次数达到设定值。

三元组网络模型训练完成后，将无标签数据集作为三元组网络模型的输入，无噪声编码路径的输出结果即为旋转机械设备的健康状态分析结果。

综上所述，本发明的三元组网络模型将有标签数据和无标签数据按照不同分支分别进行故障特征提取，并利用无标签数据中包含信息指导有标签数据的特征学习。有标签无标签数据都参与计算，分类结果的误差和重构过程的误差都可以对网络层参数产生影响，促使模型向误差减小的方向迭代优化，故障检测分析准确率高，具备高鲁棒性。

在本实施例中，如图2所示，步骤S400获得重构特征具体包括如下步骤：

步骤S410：将无标签样本集结合高斯噪声输入有噪声编码路径，获得有噪声编码路径中各层输出的故障特征；

具体的，将无标签样本集输入到有噪声编码路径中，在每一层的输入样本中加入高斯噪声,提取有噪声编码路径中各层输出的故障特征

步骤S420：将有噪声编码路径中顶层输出的故障特征反向输入有噪声解码路径，获得有噪声解码路径中各层输出的解码特征；

具体的，参考图4所示，将有噪声编码路径中顶层输出的故障特征从有噪声解码路径的顶层输入到有噪声解码路径后反向逐层解码，获得有噪声解码路径中各层输出的解码特征

步骤S430：基于有噪声编码路径中的层与有噪声解码路径中的层之间的关联，根据故障特征与解码特征获得有噪声解码路径中各层输出的重构特征。

具体的，参考图4所示，基于有噪声编码路径中的层与有噪声解码路径中的层之间的横向连接，将故障特征输入有噪声解码路径中的对应层；根据有噪声解码路径每一层的故障特征与解码特征，根据组合激活函数g(·,·)，依次获得有噪声解码路径中每一层的重构特征

具体表达式为：

其中，噪声变量

为第l层第k个神经元的故障特征，

为第l层第k个神经元的解码特征，a_l,k,b_l,k,c_l,k分别为待训练参数中被随机初始化为服从N(0,0.2)分布的训练参数，g(·,·)为组合激活函数，sigmoid(·)为激活函数。

由上所述，通过有监督损失的引入，模型内部可以有方向性的对有标签样本进行提取，寻找对分类效果有提升作用的特征。保留并加强了的无监督损失项，使得模型可以学习大量无标签数据内含的数据分布信息，提取出在解码过程更具有重构性的特征。而得益于横向连接的引入，每一个中间层都能独立于上一层表征信息，冗余的结构信息可以通过较低位的隐层传递至解码过程，处于高位的编码过程隐层可以更关注于更抽象具体的、对目标分类模型更有价值的信息，而无需表示全部的信息。此外编码过程每层都加入的噪声干扰，也使得模型提取的特征鲁棒性更强。因此，利用无监督学习补充监督学习，达到对大量未标记数据的有效利用。

在本实施例中，如图3所示，步骤S300获得三元组损失具体包括如下步骤：

步骤S310：基于所述第一故障特征，归类有标签样本集中的所有正样本，获得正样本对集合；

步骤S320：依次计算正样本对集合中的每一正样本对与有标签样本集中的所有负样本对的特征距离，获得每一正样本对的损失；

具体的，根据有噪声编码路径第L层输出的第一故障特征的不同类别，对有标签样本集中的所有正样本进行归类，获得正样本对集合；类似地，对有标签样本集中的所有负样本进行配对，获得负样本对。然后计算正样本对中每个正样本与有标签样本集中的所有负样本对的特征距离的最小值，计算每个正样本对中正样本之间的特征距离；然后根据正样本对中每个正样本对应的最小值和特征距离，获得正样本对的损失。具体表达式为：

式中：

为有标签数据集中一对正样本对中所有负样本对的数量，

表示样本

(即第L层的正样本i)与有标签数据中所有负样本对中特征距离的最小值，

表示样本

(即第L层的正样本j)与有标签数据集中所有负样本对中特征距离的最小值，D_i,j表示正样本对

和

之间的特征距离。

步骤S330：累计所有所述正样本对的损失，获得所述三元组损失。

具体表达式为：

其中，

为有标签样本中所有正样本对的数量，J_i,j为正样本对的损失。

由上所述，本发明的三元组网络模型能够将同类别之间的特征距离拉近，而将不同类别之间的特征距离推远。因此，利用优化三元组损失函数中的距离度量对有限的有标签数据进行信息挖掘，不需要事先选定三元组的负样本计算损失，而是同时选择有标签数据中每个正样本对的所有负样本的距离进行计算。

为了更好地说明本发明的技术效果，以某高校的轴承故障公开数据集的智能分析为例对本发明进行实验验证。

本实施例选取该数据集在0马力电机负载工况条件下的振动加速度信号作为数据样本集，其包含轴承的十种健康状态：正常、3种故障程度的内圈故障、3种故障程度的外圈故障和3种故障程度的滚动体故障。使用滑动窗口方法对数据集原始振动信号进行样本划分，每个样本包含1024个振动数据点，每个健康状态划分出400个样本。将此4000个样本按照3:1的比例划分训练集和测试集，并依据训练集中有标签样本的数量设计不同对比试验的数据集，如表1所示，验证本发明算法在不同数据情况下的效果。以数据集1为例，在划分有标签样本时，应保证每个故障都包含6个有标签样本，其余的样本均设置为无标签数据集对模型进行训练。

表1不同数量有标签样本的试验组

基于表1中包含不同有标签样本数量的数据集1、2、3、4，分别对自编码器、卷积神经网络、阶梯网络和本发明的机械设备半监督故障检测分析方法进行训练和验证，重复试验10次，测试不同分析方法在不同标签数据情况下的分析结果。如表2所示，本发明在标签样本占比仅为2％的情况下，获得了91.40％的诊断精度，统计标准差为5.88％；在标签样本占比为50％的情况下，获得了96.12％的诊断精度，统计标准差为1.20％。由此验证本发明方法在有标签数据极少情况下的高诊断准确性，验证了本发明在解决工程实际中标签数量不平衡情况下诊断的可行性。

表2本发明与传统有监督诊断模型的测试精度结果对比

为了进一步验证无标签数据对有标签数据训练具有指导作用，本实施例将有标签样本数量设定为50个，分别对无标签样本数量为50、200、500、1000的情况进行训练，测试结果如图5所示。由图5可知，在有标签样本不变的情况下，随着无标签样本数量的增加，测试的准确率有所提升，验证了无标签数据对本发明的半监督故障检测分析模型的重要性。

示例性设备

如图6所示，对应于上述机械设备半监督故障检测分析方法，本发明实施例还提供一种机械设备半监督故障检测分析装置，上述机械设备半监督故障检测分析装置包括：

检测数据获取模块600，用于获取机械设备运行时的检测数据；

分析模块610，用于将所述检测数据输入所述三元组网络模型，获得分析结果；

样本数据获取模块620，用于获取样本集，所述样本集包括有标签样本集和无标签样本集；

迭代模块630，用于循环迭代所述三元组网络模型，直至达到设定迭代次数；

网络更新模块640，用于将有标签样本集输入有噪声编码路径，获得有噪声编码路径输出的第一故障特征；基于所述第一故障特征，根据有标签样本集中正样本与负样本的距离计算三元组损失；将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征；将无标签样本集输入无噪声编码路径，获得无噪声编码路径中各层输出的第二故障特征；基于所述第二故障特征和所述重构特征，获得重构误差；基于所述重构误差和所述三元组损失，获得损失值。

具体的，本实施例中，上述机械设备半监督故障检测分析装置的各模块的具体功能可以参照上述机械设备半监督故障检测分析方法中的对应描述，在此不再赘述。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图7所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端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机械设备半监督故障检测分析程序。该内存储器为非易失性存储介质中的操作系统和机械设备半监督故障检测分析程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该机械设备半监督故障检测分析程序被处理器执行时实现上述任意一种机械设备半监督故障检测分析方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端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，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的机械设备半监督故障检测分析程序，上述机械设备半监督故障检测分析程序被上述处理器执行时进行以下操作指令：

获取机械设备运行时的检测数据，将所述检测数据输入预先建立的三元组网络模型，获得分析结果，其中，建立所述三元组网络模型的具体步骤，包括：

基于所述第二故障特征和所述重构特征，获得重构误差；

基于所述重构误差和所述三元组损失，获得损失值；

返回所述将有标签样本集输入有噪声编码路径进行重复迭代，直至达到设定迭代次数，获得所述三元组网络模型。

其中，噪声变量

为第l层第k个神经元的故障特征，

为第l层第k个神经元的解码特征，a_l,k,b_l,k,c_l,k分别为被随机初始化为服从N(0,0.2)分布的训练参数，g(·)为组合激活函数，sigmoid(·)为激活函数。

累计所有所述正样本对的损失，获得所述三元组损失。

获得所述正样本对中正样本之间的特征距离；

其中，

本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有机械设备半监督故障检测分析程序，上述机械设备半监督故障检测分析程序被处理器执行时实现本发明实施例提供的任意一种机械设备半监督故障检测分析方法的步骤。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

上述集成的模块/单元如果以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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

以上所述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，并不是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，均应包含在本发明的保护范围之内。

Claims

1.机械设备半监督故障检测分析方法，其特征在于，所述方法包括：

基于所述第二故障特征和所述重构特征，获得重构误差；

基于所述重构误差和所述三元组损失，获得损失值；

获取机械设备运行时的检测数据，将所述检测数据输入预先建立的三元组网络模型，获得分析结果。

2.如权利要求1所述的机械设备半监督故障检测分析方法，其特征在于，所述将无标签样本集结合高斯噪声输入有噪声编码路径，将有噪声编码路径的输出输入至有噪声解码路径，获得有噪声解码路径中各层输出的重构特征，包括：

3.如权利要求2所述的机械设备半监督故障检测分析方法，其特征在于，所述基于有噪声编码路径中的层与有噪声解码路径中的层之间的关联，根据所述故障特征与所述解码特征获得有噪声解码路径中各层输出的重构特征，包括：

4.如权利要求3所述的机械设备半监督故障检测分析方法，其特征在于，所述根据有噪声解码路径每一层的所述故障特征与所述解码特征，根据组合激活函数，依次获得有噪声解码路径中每一层的重构特征，具体表达式为：

其中，噪声变量

为第l层第k个神经元的故障特征，

5.如权利要求1所述的机械设备半监督故障检测分析方法，其特征在于，所述基于所述第一故障特征，根据有标签样本集中正样本与负样本的距离计算三元组损失，包括：

累计所有所述正样本对的损失，获得所述三元组损失。

6.如权利要求5所述的机械设备半监督故障检测分析方法，其特征在于，所述依次计算所述正样本对集合中的每一正样本对与所述有标签样本集中的所有负样本对的特征距离，获得每一正样本对的损失，包括：

获得所述正样本对中正样本之间的特征距离；

7.如权利要求5所述的机械设备半监督故障检测分析方法，其特征在于，所述累计所有所述正样本对的损失，获得所述三元组损失，具体表达式为：

其中，

8.机械设备半监督故障检测分析装置，其特征在于，所述装置包括：

检测数据获取模块，用于获取机械设备运行时的检测数据；

9.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的机械设备半监督故障检测分析程序，所述机械设备半监督故障检测分析程序被所述处理器执行时实现如权利要求1-7任意一项所述机械设备半监督故障检测分析方法的步骤。

10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有机械设备半监督故障检测分析程序，所述机械设备半监督故障检测分析程序被处理器执行时实现如权利要求1-7任意一项所述机械设备半监督故障检测分析方法的步骤。