CN115510925A

CN115510925A - 一种机械故障诊断方法、装置、介质

Info

Publication number: CN115510925A
Application number: CN202211461688.4A
Authority: CN
Inventors: 马超; 安玮; 李骏; 盛卫东; 林再平; 曾瑶源; 张晔; 田奥升; 侯毅; 黄源; 陈慧玲; 乔木
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2022-12-23
Anticipated expiration: 2042-11-17
Also published as: CN115510925B

Abstract

本申请涉及故障诊断领域，公开了一种机械故障诊断方法、装置、介质，包括：获取故障机械的振动信号，并获取振动信号的第一特征向量；利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解的特征向量作为第二特征向量；将第二特征向量输入故障诊断模型，以确定故障原因。本申请通过根据前一频率分解层的分解结果获得的第一变量确定第二频率分解层的分解目标以实现自适应特征提取，从而排除噪声干扰和提高故障诊断的准确性。

Description

一种机械故障诊断方法、装置、介质

技术领域

本申请涉及故障诊断领域，特别是涉及一种机械故障诊断方法、装置、介质。

背景技术

随着神经网络技术的发展，神经网络模型在诊断机械故障领域得到了广泛应用。例如，通过神经网络模型获取目标机械的振动信号诊断目标机械是否存在故障。

在具体实施中，采集到的机械的振动信号往往包含有大量的噪声信号，噪声信号会影响判别特征的提取，影响机械故障诊断结果。目前主要通过小波变换去除噪声信号，但由于小波变换大多采用固定的小波基来提取特征向量，并使用固定的频率分解路径对特征向量进行分解，导致用于诊断机械故障的神经网络模型缺乏数据适应能力，影响故障诊断的准确度。

由此可见，如何提供一种能够广泛应用于不同机械结构的机械故障诊断方法，以更准确的判断不同机械的故障情况，是本领域技术人员亟需解决的问题。

发明内容

本申请的目的是提供一种机械故障诊断方法、装置、介质，以防止噪声干扰，从而更准确的判断不同机械的故障情况。

为了解决上述技术问题，本申请提供了一种机械故障诊断方法，包括：

获取故障机械的振动信号，并获取所述振动信号的第一特征向量；

利用特征选择模型对所述第一特征向量进行分解处理，以获取第二特征向量；其中，所述特征选择模型的各卷积层均包括频率分解层和频率选择层，所述频率分解层为根据第一变量确定待分解特征的小波变换层，所述第一变量为根据前一频率分解层的分解结果获得的值，所述频率选择层用于选择第一特征向量分解后的所述特征向量作为第二特征向量；

将所述第二特征向量输入故障诊断模型，以确定所述故障机械的故障原因。

优选的，所述频率分解层根据所述第一变量确定待分解特征包括：

将输入特征向量分为偶数序列和基数序列，其中，所述输入特征向量为所述第一特征向量或前一卷积层输出的特征向量；

计算所述偶数序列和所述基数序列的高频分量和低频分量；

对所述高频分量和所述低频分量进行编码计算，以获取所述第一变量；

根据所述第一变量确定所述待分解特征。

优选的，所述对所述高频分量和所述低频分量进行编码计算包括：

将所述高频分量和所述低频分量输入编码器中，以获取所述第一变量，其中，所述编码器包括平均池化层、激活函数和卷积层；

相应的，根据所述第一变量确定所述待分解特征包括：

利用重参数化技巧获取所述高频分量和所述低频分量的概率分布；

判断所述高频分量的概率是否大于所述低频分量的概率；

若是，则将所述高频分量作为当前卷积层的输出特征向量；

若否，则将所述低频分量作为当前卷积层的输出特征向量。

优选的，所述利用重参数化技巧获取所述高频分量和所述低频分量的概率分布还包括：

利用softmax函数对argmax进行平滑逼近。

优选的，所述频率选择层选择第一特征向量分解后的特征向量作为第二特征向量包括：

获取所述特征选择模型的各卷积层的特征分解向量，其中，所述特征分解向量包括所述高频分量和所述低频分量；

利用所述编码器对各所述特征分解向量进行编码操作，以获取第二变量；

根据所述第二变量确定所述第二特征向量。

优选的，确定所述输出特征向量后，还包括：

利用损失函数对所述输出特征向量进行约束。

优选的，所述将所述第二特征向量输入故障诊断模型包括：

将所述第二特征向量输入平均池化层，以获取向量维度更低的第三特征向量；

利用线性分类器对所述第三特征向量进行分类，以确定所述故障原因。

为了解决上述技术问题，本申请还提供了一种机械故障诊断装置，包括：

第一获取模块，用于获取故障机械的振动信号，并获取所述振动信号的第一特征向量；

第二获取模块，用于利用特征选择模型对所述第一特征向量进行分解处理，以获取第二特征向量；其中，所述特征选择模型的各卷积层均包括频率分解层和频率选择层，所述频率分解层为根据第一变量确定待分解特征的小波变换层，所述第一变量为根据前一频率分解层的分解结果获得的值，所述频率选择层用于选择第一特征向量分解后的所述特征向量作为第二特征向量；

确定模块，用于将所述第二特征向量输入故障诊断模型，以确定所述故障机械的故障原因。

为了解决上述技术问题，本申请还提供了一种机械故障诊断装置，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的机械故障诊断方法的步骤。

为了解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的机械故障诊断方法的步骤。

本申请提供了一种机械故障诊断方法，该方法包括：获取故障机械的振动信号，并获取振动信号的第一特征向量；利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。由此可见，本申请所提供的机械故障诊断方法通过根据前一频率分解层的分解结果获得的第一变量确定第二频率分解层的分解目标以实现自适应特征提取，从而使特征选择模型能够更好的与目标机械相适应，进一步排除噪声干扰和提高故障诊断的准确性。

此外，本申请还提供一种机械故障诊断装置、介质，与上述方法对应，效果同上。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例所提供的一种故障诊断方法的流程图；

图2为本申请实施例所提供的一种特征选择模型的结构图；

图3为本申请实施例所提供的一种频率分解层的结构图；

图4为本申请实施例所提供的一种更新器/预测器的结构图；

图5为本申请实施例所提供的一种频率选择模块的结构图；

图6为本申请实施例所提供的一种故障诊断装置的结构图；

图7为本申请实施例所提供的另一种故障诊断装置的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。

本申请的核心是提供一种机械故障诊断方法、装置、介质，以防止噪声干扰，从而更准确的判断不同机械的故障情况。

为了保证旋转机械（例如：轴承）安全稳定运行的关键，需要根据机械运行过程中产生的振动噪声对机械进行故障诊断。近年来，将小波变换与卷积神经网络相结合的方法取得了很好的效果。但由于采用了固定的小波基和分解过程，这些方法可能缺乏数据适应性，限制了其进一步应用。为了解决这一问题，本申请提供了一种新的机械故障诊断方法，通过根据前一频率分解层的分解结果获得的第一变量确定第二频率分解层的分解目标以实现自适应特征提取，从而使特征选择模型能够更好的与目标机械相适应，进一步排除噪声干扰和提高故障诊断的准确性。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。

图1为本申请实施例所提供的一种故障诊断方法的流程图，如图1所示，该方法包括：

S10：获取故障机械的振动信号，并获取振动信号的第一特征向量。

为了更好的对机械进行诊断，需要获取故障解析的振动信号。在具体实施中，通过加速度计收集振动数据，并使用固定长度的窗口对收集到的数据进行分割，各窗口间不重叠。

需要注意的是，为了保证特征选择模型和故障诊断模型的诊断准确性，在故障诊断前，需要根据目标机械的工作数据对模型进行训练。具体的，可以以每一类机械作为训练单元，利用这一类机械所产生的全部数据对模型进行训练；也可以以每台机械作为基本单元，仅使用该台机械的数据对该应用于该机械的模型进行训练，此处不做限定。

S11：利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量。

图2为本申请实施例所提供的一种特征选择模型的结构图，如图2所示，该特征选择模型包括多个卷积层，各卷积层中均包括频率分解层（提升小波层）和频率选择层。其中，频率分解层为根据第一变量确定待分解特征的小波变换层，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量。

如图2所示，为了对振动信号进行处理以获得故障原因判别特征向量，构建了包含两个卷积层的特征提取层，其中，两层卷积块的区别仅在于卷积核的大小。第一个卷积块的卷积核大小为1*33，第二个卷积块的卷积核大小为1*3。特征提取层的第一个块具有中等大小的卷积核，便于在噪声环境下进行特征提取，并抑制高频噪声。

在训练阶段，将获取到的振动信号按比例分为训练数据和测试数据，以便于对模型诊断结果进行检测。

在模型训练阶段，构建AWD-Net模型（特征选择模型）。然后，基于反向传播方法，利用训练数据更新权重，训练AWD-Net模型。直到历元数达到预设数，模型训练结束。最后，选择平均交叉验证性能最好的模型进行故障诊断。

S12：将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。

在具体实施中，将每个频率选择层输出的第二特征向量输入平均池化层以降低维度以生成第三特征向量，并用线性分类器对第三特征向量进行分类处理，以确定故障机械的故障原因。

本实施例提供了一种机械故障诊断方法，该方法包括：获取故障机械的振动信号，并获取振动信号的第一特征向量；利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。由此可见，本申请所提供的机械故障诊断方法通过根据前一频率分解层的分解结果获得的第一变量确定第二频率分解层的分解目标以实现自适应特征提取，从而使特征选择模型能够更好的与目标机械相适应，进一步排除噪声干扰和提高故障诊断的准确性。

小波变换是一种新的变换分析方法，它继承和发展了短时傅立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等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。第一代小波也叫传统小波，包括常见的haar小波，DB系类小波等，第二代小波也叫提升小波，是1995年提出的基于剖分，预测，更新方法构建小波。

但基于小波变换的方法大多采用固定的小波基来提取特征，限制了提取的特征自适应能力，为了解决这一问题，本实施例提供了一种自适应的小波变换方法。

在具体实施中，频率分解层为根据第一变量确定待分解特征的小波变换层，具体的，频率分解层根据第一变量确定待分解特征包括：

将输入特征向量分为偶数序列和基数序列，其中，输入特征向量为第一特征向量或前一卷积层输出的特征向量；

计算偶数序列和基数序列的高频分量和低频分量；

对高频分量和低频分量进行编码计算，以获取第一变量；

根据第一变量确定待分解特征。

在具体实施中，频率分解层（提升小波层）用来捕获自适应小波特征。提升小波层的结构与经典提升小波变换的结构相似，包括分裂、预测和提升三个部分。图3为本申请实施例所提供的一种频率分解层的结构图，如图3所示，频率分解层根据公式：

将输出的特征向量分为奇序列和偶序列，其中，

为任意正整数，

为偶序列，

为奇序列，

、

为频率分解层输出的全部特征向量。并根据公式：

；

分别计算奇序列和偶序列的高频分量和低频分量，其中，

为高频分量、

为低频分量，

为更新器输出，

为预测器输出。

本方案中通过构造卷积网络来增强更新器和预测器的拟合性。图4为本申请实施例所提供的一种更新器/预测器的结构图，如图4所示，更新器的结构与预测器的结构相同，均包括第一卷积层(内核大小为1*3)、PReLU激活层、第二卷积层(内核大小为1*1)和一个Tanh激活层。

进一步的，对高频分量和低频分量进行编码计算包括：

将高频分量和低频分量输入编码器中，以获取第一变量，图5为本申请实施例所提供的一种频率选择模块的结构图，如图5所示，编码器包括平均池化层、激活函数和卷积层；

相应的，根据第一变量确定待分解特征包括：

利用重参数化技巧获取高频分量和低频分量的概率分布；

判断高频分量的概率是否大于低频分量的概率；

若是，则将高频分量作为当前卷积层的输出特征向量；

若否，则将低频分量作为当前卷积层的输出特征向量。

在具体实施中，为了从提升小波分解的频率中选择合适的频带进行进一步的分解，我们需要从分解后的低频分量和高频分量中选择一个频带馈入下一个提升小波层。因此，我们在每个提升小波层中添加一个二元随机变量（第一变量），以确定要分解的频带，从而实现自适应频率分解。基于低频和高频特征生成二进制随机变量。

本实施例中所提到的重参数化技巧为Gumbel softmax算法。在Gumbel-Softmax抽样中，

是一个决策。

是N维概率向量。其中，判别频率的自适应搜索N为2，频率分解级别的自适应估计N为9。

其中

是标准Gumbel分布的独立同分布随机变量。

是一个统一的id分布Unif(0，1)。

是第i个特征的序列号。然而，argmax的运算是不可微的。为了解决不可微argmax运算，在Gumbel softmax技巧中引入了softmax函数对argmax进行平滑逼近。具体过程如下：

其中

是softmax的温度。具体而言，温度参数

的影响为：

越小(接近0)，则该分布越接近分类分布；

越大(接近无穷大)，分布就越接近均匀分布。这样就解决了网络不能通过反向传播进行优化的问题。在模型训练中，我们将

= 1作为初始值，在训练过程中逐渐退火到0.3。

需要注意的是，在模型训练阶段利用Gumbel softmax模块得到这两个高频分量和低频分量的概率分布，在利用模型诊断故障时，直接根据训练结果利用argmax函数得到确定高概率的分量。

在具体实施中，大多数基于小波变换的方法大多没有考虑频率分解路径，而固定的频率分解路径限制了进一步的数据适应能力。为了合适的向量进行故障诊断，进而来获得合适的分解频率组合，还需要构造频率分解模型以实现的输出频率的自适应选择。

在上述实施例的基础上，频率选择层选择第一特征向量分解后的特征向量作为第二特征向量包括：

获取特征选择模型的各卷积层的特征分解向量，其中，特征分解向量包括高频分量和低频分量；

利用编码器对各特征分解向量进行编码操作，以获取第二变量；

根据第二变量确定第二特征向量。

在具体实施中，对输出的第一特性向量进行多次小波变换（例如：当信号的时间点为1024时，最多能够执行9次小波变换）。

利用编码器对每次进行小波变换后生成的特性向量进行编码，以获取第二变量，并根据第二变量确定第二特征向量，该第二特征向量将用于故障分类。

作为优选的实施例，确定输出特征向量后，还包括：利用损失函数对输出特征向量进行约束。

深度学习中的所有学习算法都必须有一个最小化或最大化一个函数，称之为损失函数。可以利用损耗函数对分解后的特征进行约束，以提高提取特征的鲁棒性。损失函数为：

；

；

其中，

为预测器的损失函数，

为更新器的损失函数，

为预测器，

为信号高频成分，

为信号的偶序列部分，

为更新器，

为信号的偶序列部分，

为信号的奇序列部分；

这种损耗函数限制了特征的能量集中在低频分量上。该操作有利于从噪声信号中提取出更多的鲁棒性特征，抑制高频噪声的影响。

总损失函数是由交叉熵损失函数和提升小波变换的损失函数构造的。总损失函数为：

；

其中N和M表示类的个数，

为真实标签值，

为信号属于第i类的预测概率。

和

为正则化参数，用于表征调优正则项的强度。

表1为不同的故障诊断方法（Methods）在常用的两个故障诊断数据集（Dateset）（包括CWRU数据集与XJTU数据集）上的测试结果，本申请所提供的的方法（AWD-Net）在不同的信噪比下都取得了理想的效果，优于目前部分深度抗噪方法。其中，SNR代表各类故障诊断算法的信噪比（Signal-to-noise ratio，SNR），即噪声的强度，值越大噪声的能量越小，值越小噪声的能量越大。表1中的数值表示准确率，比如60表示正确率为百分之60。黑色加粗数值表示在某个信噪比下的最优分类结果。

其中，ResNet-18模型是一种带残差学习的一维CNN网络。DRSN-CW模型是一个可以自动确定阈值的深度剩余收缩网络。将软阈值作为非线性变换插入深度网络中，以消除不重要的功能。MCNN-LSTM模型是一种将卷积神经网络与长短期记忆神经网络构架结合的故障诊断模型。首先，利用两个不同核大小的卷积神经网络从原始数据中自动提取不同频率的信号特征;然后利用长短时记忆识别故障类型。LiftingNet模型是一个基于提升小波变换的故障诊断网络，可以自适应地从原始机械数据中学习特征，即使输入包含相当大的噪声和随机性。LiftingNet由拆分层、预测层、更新层、池化层和全连接层组成。WaveletKerneNet模型是一个数据驱动的深度神经网络。该模型设计了一种连续小波卷积(CWConv)层来取代标准CNN的第一卷积层，使第一CWConv层能够发现更多有意义的滤波器。

表1

在上述实施例中，对于机械故障诊断方法进行了详细描述，本申请还提供机械故障诊断装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。

图6为本申请实施例所提供的一种故障诊断装置的结构图，如图6所示，该装置包括：

第一获取模块10，用于获取故障机械的振动信号，并获取振动信号的第一特征向量；

第二获取模块11，用于利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；

确定模块12，用于将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请提供了一种机械故障诊断装置，该装置包括：获取故障机械的振动信号，并获取振动信号的第一特征向量；利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。由此可见，本申请所提供的机械故障诊断装置通过根据前一频率分解层的分解结果获得的第一变量确定第二频率分解层的分解目标以实现自适应特征提取，从而使特征选择模型能够更好的与目标机械相适应，进一步排除噪声干扰和提高故障诊断的准确性。

图7为本申请实施例所提供的另一种故障诊断装置的结构图，如图7所示，该装置包括：存储器20，用于存储计算机程序；

处理器21，用于执行计算机程序时实现如上述实施例故障诊断方法的步骤。

本实施例提供的终端设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器 (Digital Signal Processor，DSP)、现场可编程门阵列 (Field－Programmable Gate Array，FPGA)、可编程逻辑阵列 (Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器 (CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器 (Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能 (Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的故障诊断方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于振动信号、第一特征向量、第二特征向量等。

在一些实施例中，故障诊断装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。

本领域技术人员可以理解，图7中示出的结构并不构成对故障诊断装置的限定，可以包括比图示更多或更少的组件。

本申请实施例提供的故障诊断装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：

获取故障机械的振动信号，并获取振动信号的第一特征向量；

利用特征选择模型对第一特征向量进行分解处理，以获取第二特征向量；其中，特征选择模型的各卷积层均包括频率分解层和频率选择层，频率分解层为根据第一变量确定待分解特征的小波变换层，第一变量为根据前一频率分解层的分解结果获得的值，频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；

将第二特征向量输入故障诊断模型，以确定故障机械的故障原因。

最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。

可以理解的是，如果上述实施例中的方法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全部或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，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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本申请所提供的故障诊断方法、装置、介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种机械故障诊断方法，其特征在于，包括：

利用特征选择模型对所述第一特征向量进行分解处理，以获取第二特征向量；其中，所述特征选择模型的各卷积层均包括频率分解层和频率选择层，所述频率分解层为根据第一变量确定待分解特征的小波变换层，所述第一变量为根据前一频率分解层的分解结果获得的值，所述频率选择层用于选择第一特征向量分解后的特征向量作为第二特征向量；

2.根据权利要求1所述的机械故障诊断方法，其特征在于，所述频率分解层根据所述第一变量确定待分解特征包括：

计算所述偶数序列和所述基数序列的高频分量和低频分量；

根据所述第一变量确定所述待分解特征。

3.根据权利要求2所述的机械故障诊断方法，其特征在于，所述对所述高频分量和所述低频分量进行编码计算包括：

相应的，根据所述第一变量确定所述待分解特征包括：

判断所述高频分量的概率是否大于所述低频分量的概率；

若是，则将所述高频分量作为当前卷积层的输出特征向量；

若否，则将所述低频分量作为当前卷积层的输出特征向量。

4.根据权利要求3所述的机械故障诊断方法，其特征在于，所述利用重参数化技巧获取所述高频分量和所述低频分量的概率分布还包括：

利用softmax函数对argmax进行平滑逼近。

5.根据权利要求3所述的机械故障诊断方法，其特征在于，所述频率选择层选择第一特征向量分解后的特征向量作为第二特征向量包括：

根据所述第二变量确定所述第二特征向量。

6.根据权利要求3所述的机械故障诊断方法，其特征在于，确定所述输出特征向量后，还包括：

利用损失函数对所述输出特征向量进行约束。

7.根据权利要求1至6任一项所述的机械故障诊断方法，其特征在于，所述将所述第二特征向量输入故障诊断模型包括：

8.一种机械故障诊断装置，其特征在于，包括：

9.一种机械故障诊断装置，其特征在于，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的机械故障诊断方法的步骤。

10.一种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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的机械故障诊断方法的步骤。