CN116150676B - 基于人工智能的设备故障诊断与识别方法及装置 - Google Patents
基于人工智能的设备故障诊断与识别方法及装置 Download PDFInfo
- Publication number
- CN116150676B CN116150676B CN202310417190.6A CN202310417190A CN116150676B CN 116150676 B CN116150676 B CN 116150676B CN 202310417190 A CN202310417190 A CN 202310417190A CN 116150676 B CN116150676 B CN 116150676B
- Authority
- CN
- China
- Prior art keywords
- target
- neuron
- fault diagnosis
- weight vector
- neural network
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000013473 artificial intelligence Methods 0.000 title abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 104
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 172
- 239000013598 vector Substances 0.000 claims description 139
- 238000013528 artificial neural network Methods 0.000 claims description 87
- 239000002245 particle Substances 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 5
- 239000003245 coal Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 208000037408 Device failure Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于人工智能的设备故障诊断与识别方法及装置，涉及故障诊断技术领域，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，其中，设备故障诊断模型的训练方法包括：获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型。本发明所对应的设备故障诊断模型在设备故障诊断任务中，能够有效提高设备故障的识别精度。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于人工智能的设备故障诊断与识别方法及装置。
背景技术
随着科技的发展和制造工艺的进步，设备的复杂度不断增加，在使用过程中的任何异常或故障不仅直接影响产品的使用，而且还可能造成严重的安全事故。经过长期的实践和经验，要使设备或系统能够安全、可靠、有效地运行，必须要对其进行故障检测与诊断。传统的故障诊断在操作时对技术人员水平要求较高，且不适用于更深层次的诊断场景，因此，故障诊断技术伴随着人工智能及其衍生物的不断发展，逐渐实现了向智能故障诊断方向的转型。
智能故障诊断的核心在于生成一个能够以“专家”身份来对设备进行故障诊断的实体，可以给出与传统专家检测相同的诊断结果。与此同时，随着机器学习不断地发展，其在故障诊断领域的表现也越来越优异。早期的故障检测与诊断主要依赖于专家或技术人员的决策，然而专业人员容易受到压力、疲劳、心理因素、自身知识水平、技能等影响，做出与实际状态相差较大的分析，从而产生错误的判断。随着技术的不断进步，待测对象不断复杂化、大型化、非线性化、系统化，建立精确的数学模型难度越来越大，各设备之间存在的耦合，使得模型难度也会成指数增加。
现有技术中，通常通过判断特征值是否异常来判断待测对象是否发生故障，该方法只是对待测对象的信号数据进行分析，对系统高维信号之间的耦合性和关联度挖掘不够，没有更加深入地利用待测对象的深层信息。此外，还可以通过机器学习来对数据进行分析，然而，传统的机器学习方法往往基于既得的监测数据，需要人工提取大量的特征，且模型的训练精度受训练样本的数量和质量的限制较大，对设备进行故障检测的精度难以进一步提高。
其中，现有的许多方法难以对设备故障数据进行深度特征提取，导致算法难以进行精准识别与分类。并且，在利用深度学习或神经网络进行设备故障识别时，传统的反向传播方式更新模型参数过程中，容易出现梯度消失和梯度爆炸的问题，使得模型训练效果差，识别精度低。此外，利用深度学习或神经网络进行设备故障识别时，常会出现局部最小化以及收敛速度慢的问题，对模型训练造成影响，严重影响设备故障的识别效率。且，在实际设备故障识别应用现场中，故障数据采集困难，各故障类别数据通常不均衡，算法存在执行能力弱、适应性不强、稳定性差等问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于人工智能的设备故障诊断与识别方法及装置，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，能够有效提高设备故障诊断任务中设备故障的识别精度。
第一方面，本发明实施例提供了一种设备故障诊断模型的训练方法，该方法包括：获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数的步骤，包括：将第一特征参数和第二特征参数输入至预设的深度神经网络，通过深度神经网络分别提取第一特征参数和第二特征参数包含的目标特征参数；其中，深度神经网络为利用粒子群算法处理的深度神经网络。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述方法还包括：将信号数据集输入至初始神经网络中，根据信号数据集和初始神经网络的神经元权重向量的欧氏距离，确定信号数据集和神经元权重向量对应的适应度函数；适应度函数中包括信号数据集和神经元权重向量的欧氏距离；根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量；根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元；对目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用粒子群算法对目标神经元的权重向量迭代处理，更新初始神经网络的神经元权重向量；以及，在迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括目标神经元的权重向量的深度神经网络。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，参数搜索包括第一分支搜索和第二分支搜索，第一分支搜索和第二分支搜索的分支方向不同；根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量的步骤，包括：针对初始神经网络的神经元权重向量，按照第一分支搜索指示的神经元权重向量的第一分支坐标值和适应度函数，确定对应的第一适应度值；以及，按照第二分支搜索指示的神经元权重向量的第二分支坐标值和适应度函数，确定对应的第二适应度值；根据第一适应度值和第二适应度值，确定参数搜索对应的更新粒子位置；更新粒子位置通过下述公式确定：
其中，为更新粒子位置，为更新前的搜索粒子位置，为数学中的符号函数，为搜索步长，为第一适应度值，为第二适应度值，为搜索粒子随机向量；将更新粒子位置对应的神经元权重向量确定为初始神经元权重向量。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元的步骤，包括：对信号数据集和初始神经元权重向量进行归一化处理，得到归一化信号数据集和归一化神经元权重向量；对归一化信号数据集和归一化神经元权重向量进行数量积矢量运算，确定数量积；将数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到目标神经元；其中，预设的数量积阈值对应于适应度函数中的目标欧氏距离。
第二方面，本发明实施例还提供一种设备故障诊断方法，该方法包括：获取目标设备的待测数据；将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果；其中，设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的；基于识别结果对目标设备进行故障诊断。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果的步骤，包括：对待测数据进行特征提取，得到待测数据包含的目标数据；利用设备故障诊断模型对目标数据进行分类，确定目标数据对应的分类结果；以及，确定目标数据对应的标准化权重；根据标准化权重对分类结果进行加权，得到识别结果。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，设备故障诊断模型配置有训练样本，训练样本包括目标特征参数；确定目标数据对应的标准化权重的步骤，包括：根据目标数据和训练样本的目标样本之间的距离，确定每个目标样本对应于目标数据的距离权重；其中，目标样本根据目标数据与设备故障诊断模型的训练样本之间的距离确定；距离权重通过下述公式确定：
其中，为距离权重，为目标数据与第个目标样本的距离；，k为目标样本的数量，为近邻中最近的距离；为近邻中最远的距离；确定目标样本的样本类别对应于目标数据的类别权重；其中，类别权重通过样本类别对应于目标数据的频率权重和样本类别对应的调和参数确定；调和参数包括样本类别的样本数目在训练样本的总样本类别数目的占比；根据类别权重和距离权重计算标准化权重；标准化权重通过下述公式确定：
其中，为标准化因子，且；为训练样本所有类别的总数，为距离权重，为类别c对应的类别权重，为样本类别。
第三方面，本发明实施例还提供一种设备故障诊断模型的训练装置，该装置包括：数据获取模块，用于获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；数据提取模块，用于对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；训练模块，用于将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
第四方面，本发明实施例还提供一种设备故障诊断装置，该装置包括：数据采集模块，用于获取目标设备的待测数据；执行模块，用于将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果；其中，设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的；数据处理模块，用于基于识别结果对目标设备进行故障诊断。
本发明实施例带来了以下有益效果：本发明提供的一种基于人工智能的设备故障诊断与识别方法，包括设备故障诊断模型的训练方法和设备故障诊断方法，其中，设备故障诊断模型的训练方法在于对信号数据集进行特征提取后，将目标特征参数输入至初始分类器中进行分类训练，得到设备故障诊断模型，该设备故障诊断模型能够有效提高设备故障诊断任务中设备故障的识别精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种设备故障诊断模型的训练方法的流程图；
图2为本发明实施例提供的另一种设备故障诊断模型的训练方法的流程图；
图3为本发明实施例提供的一种设备故障诊断方法的流程图；
图4为本发明实施例提供的另一种设备故障诊断方法的流程图；
图5为本发明实施例提供的一种设备故障诊断模型的训练装置的结构示意图；
图6为本发明实施例提供的另一种设备故障诊断模型的训练装置的结构示意图；
图7为本发明实施例提供的一种设备故障诊断装置的结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
基于此，本发明实施例提供的一种基于人工智能的设备故障诊断与识别方法及装置，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，能够有效提高设备故障诊断任务中设备故障的识别精度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种设备故障诊断模型的训练方法进行详细介绍，图1示出了本发明实施例提供的一种设备故障诊断模型的训练方法的流程图，如图1所示，该方法包括以下步骤：
步骤S102，获取预先采集的信号数据集。
在具体实现时，选用信号数据集对设备故障诊断模型进行训练，将该信号数据集作为用于训练设备故障诊断模型的样本使用。其中，信号数据集是由多个样本组成的数据集，该信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数。具体的，上述设备可以是煤矿设备采煤机，信号数据集由煤矿设备采煤机的历史故障数据组成，该数据集涵盖了采煤机的22种运行状态，即1种正常状态和21种常见的故障状态，此时，多个样本共有22个样本类别，每一种运行状态由唯一的标签标定。此外，在该信号数据集中，采煤机的每一种运行状态均每个样本都包括48个特征参数，包括设备输出电压、输出电流、输入电流等参数。
为了便于理解，信号数据集的多个样本以X进行举例说明，信号数据集中可以包括Nr个样本，如，，其中，，也即，包括48个特征参数，而在上述Nr个样本中，共有22个类别。此外，采集到设备数据后，采用人工标注的方式对第一特征参数和第二特征参数进行数据标注，用于后续数据处理和模型训练。
其中，实际设备故障诊断应用中的数据大多数都是存在冗余、缺失、错误等情况，故，本发明实施例还对信号数据集进行数据预处理。采用数据预处理的目的在于使所用数据的质量可以得到保证，以满足后续的学习模型搭建的任务。
具体的，对于冗余值，本发明实施例对冗余或重复数据进行直接删除操作。对于缺失值，本发明实施例采用均值补齐的方式进行处理。均值补齐即分析该属性特征的信息，判断该属性特征属于数值特征亦或是非数值特征。在具体实现时，一般数据包含多个属性，如输出电压、输出电流、输入电流、震动频率、电机种类等，有的是数值，如电压值；有的是非数值，如电机种类：有刷/无刷。其中，如果是数值特征，则计算出该属性在其他剩余所有对象中的平均值，并将这个平均值插补至空缺处。如，针对以下多条数据：[4,2,3]、[2,3,5]、[Xw,4,1]，Xw是缺失值，Xw计算方式为：（4+2）/2=3。如果是非数值特征，则采用统计学中的众数原则，统计该属性特征在其他对象中出现的次数，计算出频率，最后选择出现次数最多的值来进行插补工作。
此外，对于错误值，如异常的电压值：2372154V，则采取非参数验证的卡方检验方法进行检测，对疑似的错误数据与正常数据的之间的偏离值进行统计，偏离值越大说明数据异常的可能性越高，偏离值越小说明数据为正常数据的可能性越大。卡方统计的公式如下所示：
其中，为正常数据值，为疑似错误数据值，为正常数据与疑似错误数据之间的差异程度。如果差异程度较大，则可认定为错误数据进行直接剔除。
之后，进行数据的归一化操作，以更好地反映数据和故障类型之间的关系，并减小不同的量级给故障诊断结果带来的影响。因此，本发明实施例采用极差标准化方法对数据进行归一化：
其中，、分别表示信号数据集中的最小值和最大值，表示输入的数据，如信号数据集中的某一个特征参数，表示归一化后的数据。其中，对信号数据集进行数据预处理在于对样本进行处理，对样本处理后，信号数据集中的样本数量会减少，如，数据预处理后的样本的数量从Nr个减少至n个，而这一过程不对样本中的特征参数进行处理，故，样本中的特征参数的数量仍为48个。
步骤S104，对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数。
步骤S106，将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型。
在具体实现时，设备故障诊断模型用于对目标设备进行故障诊断，该目标设备可以是与上述煤矿设备采煤机设备同类型的目标设备，以根据得到的设备故障诊断模型对该目标设备进行故障诊断。
其中，可以先对信号数据集的第一特征参数和第二特征参数进行特征提取，得到目标特征参数，之后再将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练。其中，所得到的目标特征参数包括从样本的48个特征参数中提取出来的特征参数，如，进行特征提取后，样本中的特征参数的数量变为pe个，目标特征参数则包括这pe个特征参数。此时，以为例，，即，每个样本中有pe个特征参数。具体的，pe的数值可能小于48，也可能仍为48。在具体实现时，本发明实施例可以通过神经网络进行特征提取，由神经网络进行特征提取后，特征参数的数量取决于神经网络的结构，其数量不一定会减少，该特征提取步骤是对特征参数进行了各种变换，对应的特征值也会发生改变。
其中，输入至初始分类器的目标特征参数为包括上述pe个特征参数的样本，将这些样本指示的目标特征参数输入至初始分类器后，使初始分类器根据目标特征参数对应的样本类别进行训练，这一过程还在于通过初始分类器对目标特征参数的质量进行评价，当初始分类器对应的分类结果满足训练阈值时，表示特征提取的目标特征参数达到要求，基于该目标特征参数能够准确对故障进行诊断识别。故，当初始分类器对应的训练结果满足训练阈值时，得到相应的设备故障诊断模型，进而使用该设备故障诊断模型进行设备故障诊断，保证诊断结果的质量。
本发明实施例提供的一种设备故障诊断模型的训练方法，对信号数据集进行特征提取后通过初始分类器对提取的目标特征参数进行分类训练，进而得到设备故障诊断模型，根据初始分类器所对应的设备故障诊断模型对目标设备进行故障识别，能够有效提高设备故障诊断任务中设备故障的识别精度。
为了便于理解，在上述发明实施例的基础上，本发明实施例还提供了另一种设备故障诊断模型的训练方法，其中，可以将第一特征参数和第二特征参数输入至预设的深度神经网络，通过深度神经网络分别提取第一特征参数和第二特征参数包含的目标特征参数。具体的，该深度神经网络为利用粒子群算法处理的深度神经网络。
本发明实施例对上述深度神经网络进行介绍。具体的，本发明实施例利用改进的粒子群算法对初始神经网络的参数和结构进行优化得到上述深度神经网络，粒子群算法是通过群体中个体之间的协作和信息共享来寻找最优解。本发明实施例采用的深度神经网络的层数为T_d层，且T_d>3。其中，区别于传统的深度神经网络，本发明实施例利用改进的粒子群算法替代传统的误差反向传播算法进行神经网络的参数优化。
在具体实现时，本发明实施例在深度神经网络的训练阶段，将神经网络的神经元权重向量看作一个个的粒子，将输入的样本特征向量与神经元权重向量之间的欧氏距离的叠加作为适应度函数，迭代过程是寻找神经元权重向量使此适应度函数达到最小。利用粒子群算法的速度位移公式全面更新网络神经元权重向量，当迭代一定的次数后，计算得到可靠神经元，再对可靠神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，以对初始神经网络的参数和结构进行优化。
为了便于理解，图2示出了本发明实施例提供的另一种设备故障诊断模型的训练方法的流程图，如图2所示，该方法包括以下步骤：
步骤S202，将信号数据集输入至初始神经网络中，根据信号数据集和初始神经网络的神经元权重向量的欧氏距离，确定信号数据集和神经元权重向量对应的适应度函数。
在具体实现时，输入至初始神经网络的一组样本为，也即信号数据集中经过数据预处理后的n个样本，用随机数初始化神经元权重向量的初始值；再利用神经元权重向量初始化粒子群算法的粒子，之后利用改进的粒子群算法对该初始神经网络进行参数搜索。
在具体实现时，先基于这些样本和神经元权重向量的欧氏距离确定适应度函数，其中，该适应度函数为粒子群算法的适应度函数，具体定义公式如下：
其中，为输入的样本；为输入的样本与神经元权重向量值之间的欧氏距离，为输入的样本的数量。
步骤S204，根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量。
在具体实现时，根据下述步骤S10-S12确定初始神经元权重向量。
步骤S10，针对初始神经网络的神经元权重向量，按照第一分支搜索指示的神经元权重向量的第一分支坐标值和适应度函数，确定对应的第一适应度值；以及，按照第二分支搜索指示的神经元权重向量的第二分支坐标值和适应度函数，确定对应的第二适应度值。
在采用改进的粒子群算法进行参数搜索过程中，为了提高粒子群中单个粒子的邻域搜索能力从而提高整体搜索能力，对粒子群的搜索方式进行改进。其中，设初始神经网络的参数空间为，则粒子群的搜索空间为。对于一个维空间的优化问题，设上述参数搜索包括分支方向不同的第一分支搜索和第二分支搜索，如每个搜索粒子包括左右两个分支，用表示左分支的坐标值，表示右分支的坐标值，表示搜索粒子的质心坐标，表示分支间距，为搜索粒子随机向量。其中，左分支的坐标值和右分支的坐标值分别如下：
由于搜索粒子的质心朝向是维中的任意方向，因而搜索粒子的两个分支的朝向也是在维空间中任意的，因此，定义搜索粒子为随机向量，公式如下：
其中，函数标识随机函数，为搜索粒子随机向量。
然后，计算左右两分支的适应度值为：
其中，为上述适应度函数，为左分支的适应度值，也即第一适应度值，为右分支的适应度值，也即第二适应度值。
步骤S11，根据第一适应度值和第二适应度值，确定参数搜索对应的更新粒子位置。
由上述步骤可得对应的第一适应度值和对应的第二适应度值，也即上述和，其中，参照下述公式，下述公式用于表示搜索粒子的位置更新方式，如果，则搜索粒子向右方向移动，反之搜索粒子将向左方向移动。具体的，更新粒子位置通过下述公式确定：
公式中，为上述更新粒子位置，用于指示更新后的搜索粒子位置，为更新前的搜索粒子位置。其中，和分别为信号数据集的样本中的特征参数。为数学中的符号函数，用于取某个数的正负符号，以通过正负符号控制搜索粒子的移动方向。为搜索粒子随机向量，可参照以上步骤中的公式确定其具体数值。为搜索步长。其中，的初始值为：
为常数。随算法的迭代轮数更新，更新方式为：
为搜索算子的收敛因子，为更新后的搜索步长，为更新前的搜索步长。
步骤S12，将更新粒子位置对应的神经元权重向量确定为初始神经元权重向量。
步骤S206，根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元。
在对参数搜索后，可以对更新粒子位置指示的神经元权重向量进一步处理，以确定目标神经元，该目标神经元表示为可靠神经元，用于对神经网络进行参数优化。进一步地，更新粒子位置指示的神经元权重向量，也即上述初始神经元权重向量并非固定的某个神经元权重向量，而是随着参数搜索变化的神经元权重向量。
在具体实现时，可以对输入至初始神经网络的信号数据集和初始神经元权重向量分别进行归一化处理，计算公式如下：
其中，为输入的样本的特征参数对应的欧式长度，为初始神经元权重向量对应的欧式长度，和分别为输入的样本的特征参数、初始神经元权重向量，和分别为归一化后的样本的特征参数（也即归一化信号数据集）、归一化后的初始神经元权重向量（也即归一化神经元权重向量）。
输入信号数据集后，对归一化信号数据集和归一化神经元权重向量进行数量积矢量运算，确定数量积。数量积矢量运算的计算公式如下：
其中，为输入的样本的特征参数与神经元权重向量的数量积。之后，将数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到目标神经元。在具体实现时，预设的数量积阈值对应于适应度函数中的目标欧氏距离，具体的，数量积最大值所对应的输出神经元更为可靠，因为经归一化计算处理，数量积最大相当于二者之间的欧式距离最小，即：
其中，为输入的样本的特征参数与初始神经元权重向量的欧式距离。根据运算结果，将具有最小欧式距离的神经元标记为可靠神经元，也即，该初始神经元权重向量所表征的神经元为所需的目标神经元。
步骤S208，对目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用粒子群算法对目标神经元的权重向量迭代处理，更新初始神经网络的神经元权重向量；以及，在迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括目标神经元的权重向量的深度神经网络。
得到目标神经元后，还可以对目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，修正公式如下：
其中，为上述目标神经元的权重，为目标神经元邻域神经元的权重，为上述特征参数的特征值；为神经元的学习率，且，随着时间的变化逐渐逼近至0。
具体的，步骤S202-步骤S206为改进的粒子群算法对应的具体过程，此时，可以采用上述改进的粒子群算法对目标神经元的权重向量迭代次处理，也即，再次从步骤S202开始对调整修正后的神经元权重向量进行处理，直到得到对应的目标神经元，再对该目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，以对初始神经网络的神经元权重向量进行优化更新。
其中，若满足预先设定的条件，如达到最大迭代次数或达到所需的精度要求时，则算法结束，停止上述迭代处理的过程；否则，重复执行迭代过程，直到达到以上目标要求为止。其中，初始神经网络的神经元权重向量被改进的粒子群算法多次处理，进而完成对初始神经网络的参数优化的过程，得到所需的深度神经网络。具体的，当训练得到的分类结果达到预期效果时，如可以在满足最大迭代次数时，或者分类结果达到精度要求时，得到上述深度神经网络，此时可以利用该深度神经网络进行设备故障诊断和识别。
本发明实施例提供的另一种设备故障诊断模型的训练方法，在于使用深度网络模型对信号数据集的第一特征参数和第二特征参数进行特征提取，且，利用改进的粒子群算法对神经网络的参数和结构进行优化，该改进的粒子群算法可以提高邻域搜索能力。其中，改进的粒子群算法对初始神经网络进行参数搜索，确定最小欧式距离指示的目标神经元，使用该目标神经元对输入的样本进行处理，能够找到样本的可靠的特征参数，保证特征提取的质量。此外，改进的粒子群算法通过对寻优粒子设置左右方向的分支，可以提高搜索效率，提高寻优速度、加快收敛速度。
进一步地，本发明实施例采用粒子群寻优的方式对神经网络的参数进行优化，相比于传统的反向传播方式根据梯度下降算法进行参数优化，粒子群寻优不会产生梯度下降算法对应的梯度消失和梯度爆炸的问题。而且，基于梯度下降的方法容易陷入局部最优解，而本发明实施例改进的粒子群算法可以得到全局最优解，有利于设备故障诊断模型对设备故障数据特征的充分挖掘和深度提取。
进一步地，基于步骤S202-步骤S208得到的深度神经网络所提取的目标特征参数包括可靠的特征参数，可以将该目标特征参数输入至初始分类器中，在对初始分类器进行训练时，还可以对目标特征参数进行插值处理，使用该插值处理后的目标特征参数对初始分类器进行训练，为了便于区分，将插值处理的目标特征参数定义为训练样本。
在具体实现时，本发明实施例利用双线性插值法进行插值操作，该双线性插值法是2个方向上的线性插值的组合叠加。双线性插值的位置计算公式如下：
其中，上述插值操作对目标特征参数指示的样本进行插值处理，插值处理后，对应样本仍包括pe个特征参数。上述公式中，为插值点到第个目标特征参数对应的样本的物理距离，为第个插值点对应的第个样本的特征值，、、、分别为第1、2、3、4个目标特征参数的位置。通过上述计算公式可以得到初始分类器的训练样本。此时，初始分类器根据该训练样本进行训练，以在进行设备故障诊断时能够得到更加准确的诊断结果。
进一步地，本发明实施例还提供一种设备故障诊断方法，图3示出了本发明实施例提供的一种设备故障诊断方法的流程图，如图3所示，该方法包括以下步骤：
步骤S302，获取目标设备的待测数据。
步骤S304，将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果。
步骤S306，基于识别结果对目标设备进行故障诊断。
在具体实现时，设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的，在对设备进行故障诊断时，可以将目标设备的待测数据输入至该设备故障诊断模型中，利用该设备故障诊断模型得到相应的识别结果，从而进行设备故障诊断。
本发明实施例提供的一种设备故障诊断方法，与上述实施例提供的一种设备故障诊断模型的训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，在上述实施例的基础上，本发明实施例还提供了另一种设备故障诊断方法，参照图4，图4示出了本发明实施例提供的另一种设备故障诊断方法的流程图，如图4所示，该方法包括以下步骤：
步骤S402，获取目标设备的待测数据。
步骤S404，对待测数据进行特征提取，得到待测数据包含的目标数据。
具体的，获取到目标设备的待测数据后，该待测数据包括多个参数，且，该待测数据的类别未知。故，本发明实施例需要对待测数据进行诊断识别，确定该待测数据对应的类别。在具体实现时，先对该待测数据的多个参数进行特征提取，特征提取后得到对应的目标数据，该特征提取的步骤可以通过步骤S202-步骤S208得到的深度神经网络进行提取。
步骤S406，利用设备故障诊断模型对目标数据进行分类，确定目标数据对应的分类结果；以及，确定目标数据对应的标准化权重。
在具体实现时，本发明实施例采用分类器为K最近邻分类算法对待测数据进行分类，本发明实施例中用KNN(k-Nearest Neighbor)缩写进行简称。其中，KNN算法相当于只使样本局部出现的频率来推测未知样本的类别，没有顾及到未知样本附近邻域类的分布是否均衡，若训练集样本不均衡分布则会导致分类结果准确率降低。故，本发明实施例对KNN分类器进行改进，提出一种基于加权改进的KNN算法，通过设置加权因子，对KNN分类函数进行加权，提高 KNN分类器的分类精度。
具体的，传统的KNN模型可能出现数据集中较多的其他类别的样本特征进入k最近邻范围，而同一种类型样本特征进入k最近邻范围的较少，导致分类结果错误。因此，基于加权改进的KNN算法可以弥补设备故障诊断数据采集过程中引起的误差扰动导致的样本识别错误问题。
具体的，本发明实施例的设备故障诊断模型配置有训练样本，基于该训练样本对目标数据进行分类，其中，训练样本包括设备故障诊断模型的训练方法中确定的目标特征参数，该目标特征参数为插值处理后的目标特征参数。在具体实现时，从训练样本中确定多个目标样本以确定目标数据的分类结果。其中，目标样本根据目标数据与设备故障诊断模型的训练样本之间的距离确定，具体的，先计算插值完成的训练样本和目标数据之间的距离，并按照距离递增排序选择前个目标样本，将这k个目标样本作为k近邻使用。之后利用分类表决函数对该目标数据进行分类，确定对应的分类结果。分类表决函数如下：
其中，表示训练样本集合，是一种对函数求参数(集合)的函数，即是定义域的一个子集，该子集中任一元素都可使括号内函数取最大值；为目标数据所对应的类别，为所有训练样本类别集合，为训练样本的类别，为训练样本的预测结果，是一个指标函数，当其值为真时返回1，否则返回0，即计算选出的个近邻数据中多数属于某个类，则判断目标数据为该类。
除上述分类结果外，本发明实施例还需确定目标数据对应的标准化权重。在具体实现时，根据目标数据与训练样本的目标样本之间的距离，确定每个目标样本对应于目标数据的距离权重。其中，距离权重通过下述公式确定：
其中，为距离权重，为上述目标数据与第个目标样本的距离；，k为所述目标样本的数量，为近邻中最近的距离；为近邻中最远的距离。
之后，确定目标样本的样本类别对应于目标数据的类别权重；其中，类别权重通过样本类别对应于所述目标数据的频率权重和样本类别对应的调和参数确定；调和参数包括样本类别的样本数目在训练样本的总样本类别数目的占比。
在具体实现时，先确定样本类别对应的频率权重，设类别的频率权重的函数如下：
Weight为类别的频率权重，则为样本类别在训练样本中出现的频率，为近邻样本的数量，为第个近邻样本的类别，为样本类别在训练样本中出现的频率，系数是针对训练样本的不均衡情况设计的外部输入因子变量参数，且。
然后，定义一个调和参数：
其中，为训练样本中类别的调和参数，为训练样本中类别的数目，为训练样本所有类别的总数。定义类别权重公式如下：
得到类别权重后，根据类别权重和距离权重计算标准化权重；标准化权重通过下述公式确定：
其中，为标准化因子，且，通常由人为设置的数值；为训练样本所有类别的总数，为距离权重，为类别c对应的类别权重，为样本类别。
步骤S408，根据标准化权重对分类结果进行加权，得到识别结果。
步骤S410，基于识别结果对目标设备进行故障诊断。
得到分类表决函数对应的分类结果后，再对分类表决函数添加标准化权重进行加权，对计算得到的距离权重按照类别进行归类叠加，选择叠加距离权重最大的类别，即为待测数据的目标数据对应的分类结果。此时，对应的分类表决函数为：
其中，为标准化权重，为未加权前的分类表决函数。
最后，类别即为基于加权改进的KNN算法的输出类别。
本发明实施例提供的另一种设备故障诊断方法，通过加权改进的KNN算法的输出待测数据的分类类别，能够有效提高设备故障诊断任务中设备故障的识别精度。其中，结合深度神经网络进行特征提取，有利于设备故障诊断模型对待测数据的充分挖掘和深度提取；此外，在分类阶段提出改进的KNN算法，有利于设备故障诊断模型对设备故障进行精准识别，避免样本不平衡导致的精度下降、模型不稳定等情况。此外，所得到的设备故障诊断模型具有较高的鲁棒性和泛化能力。
具体的，在分类阶段，将分类结果与加权权重结合设计，包括距离权重、频率权重、类别权重和标准化权重等，利用分类表决函数确定分类结果后，再对分类结果加权处理，所得到的识别结果是综合参考以上权重得到的结果，不受k近邻局限，能够对待测数据准确分类。其中，根据双线性插值得到的训练样本确定待测数据的分类结果并赋予权重，能够有效提高分类精度。
进一步地，本发明实施例还提供一种设备故障诊断模型的训练装置，图5示出了本发明实施例提供的一种设备故障诊断模型的训练装置的结构示意图，如图5所示，该装置包括：
数据获取模块100，用于获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数。
数据提取模块101，用于对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数。
训练模块102，用于将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
本发明实施例提供的一种设备故障诊断模型的训练装置，与上述实施例提供的一种设备故障诊断模型的训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，在图5的基础上，本发明实施例还提供另一种设备故障诊断模型的训练装置，图6示出了本发明实施例提供的另一种设备故障诊断模型的训练装置的结构示意图，如图6所示，数据提取模块101还用于将第一特征参数和第二特征参数输入至预设的深度神经网络，通过深度神经网络分别提取第一特征参数和第二特征参数包含的目标特征参数；其中，深度神经网络为利用粒子群算法处理的深度神经网络。
该装置还包括确定模块103，确定模块103用于将信号数据集输入至初始神经网络中，根据信号数据集和初始神经网络的神经元权重向量的欧氏距离，确定信号数据集和神经元权重向量对应的适应度函数；适应度函数中包括信号数据集和神经元权重向量的欧氏距离；根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量；根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元；对目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用粒子群算法对目标神经元的权重向量迭代处理，更新初始神经网络的神经元权重向量；以及，在迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括目标神经元的权重向量的深度神经网络。
参数搜索包括第一分支搜索和第二分支搜索，第一分支搜索和第二分支搜索的分支方向不同；上述确定模块103，还用于针对初始神经网络的神经元权重向量，按照第一分支搜索指示的神经元权重向量的第一分支坐标值和适应度函数，确定对应的第一适应度值；以及，按照第二分支搜索指示的神经元权重向量的第二分支坐标值和适应度函数，确定对应的第二适应度值；根据第一适应度值和第二适应度值，确定参数搜索对应的更新粒子位置；更新粒子位置通过下述公式确定：
其中，为更新粒子位置，为更新前的搜索粒子位置，为数学中的符号函数，为搜索步长，为第一适应度值，为第二适应度值，为搜索粒子随机向量；将更新粒子位置对应的神经元权重向量确定为初始神经元权重向量。
上述确定模块103，还用于对信号数据集和初始神经元权重向量进行归一化处理，得到归一化信号数据集和归一化神经元权重向量；对归一化信号数据集和归一化神经元权重向量进行数量积矢量运算，确定数量积；将数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到目标神经元；其中，预设的数量积阈值对应于适应度函数中的目标欧氏距离。
进一步地，本发明实施例还提供一种设备故障诊断装置，图7示出了本发明实施例提供的一种设备故障诊断装置的结构示意图，如图7所示，该装置包括：
数据采集模块200，用于获取目标设备的待测数据。
执行模块201，用于将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果。
数据处理模块202，用于基于识别结果对目标设备进行故障诊断。
其中，该设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的。
本发明实施例提供的一种设备故障诊断装置，与上述实施例提供的一种设备故障诊断模型的训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
进一步地，上述数据处理模块202，还用于对待测数据进行特征提取，得到待测数据包含的目标数据；利用设备故障诊断模型对目标数据进行分类，确定目标数据对应的分类结果；以及，确定目标数据对应的标准化权重；根据标准化权重对分类结果进行加权，得到识别结果。
上述数据处理模块202，还用于根据目标数据和训练样本的目标样本之间的距离，确定每个目标样本对应于目标数据的距离权重；其中，目标样本根据目标数据与设备故障诊断模型的训练样本之间的距离确定；距离权重通过下述公式确定：
其中，为距离权重，为目标数据与第个目标样本的距离；，k为目标样本的数量，为近邻中最近的距离；为近邻中最远的距离；确定目标样本的样本类别对应于目标数据的类别权重；其中，类别权重通过样本类别对应于目标数据的频率权重和样本类别对应的调和参数确定；调和参数包括样本类别的样本数目在训练样本的总样本类别数目的占比；根据类别权重和距离权重计算标准化权重；标准化权重通过下述公式确定：
其中，为标准化因子，且；为训练样本所有类别的总数，为距离权重，为类别c对应的类别权重，为样本类别。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述图1至图2所示的设备故障诊断模型的训练方法的步骤，以及图3至图4所示的设备故障诊断方法的步骤。
本发明实施例还提供一种计算机可读存储介质，该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运行时执行上述图1至图2所示的设备故障诊断模型的训练方法的步骤，以及图3至图4所示的设备故障诊断方法的步骤。
本发明实施例还提供了一种电子设备的结构示意图，如图8所示，为该电子设备的结构示意图，其中，该电子设备包括处理器81和存储器80，该存储器80存储有能够被该处理器81执行的计算机可执行指令，该处理器81执行该计算机可执行指令以实现上述图1至图2所示的设备故障诊断模型的训练方法，以及图3至图4所示的设备故障诊断方法。
在图8示出的实施方式中，该电子设备还包括总线82和通信接口83，其中，处理器81、通信接口83和存储器80通过总线82连接。
其中，存储器80可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口83（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线82可以是ISA（Industry StandardArchitecture，工业标准体系结构）总线、PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（Extended Industry Standard Architecture，扩展工业标准结构）总线等，还可以是AMBA（Advanced Microcontroller Bus Architecture，片上总线的标准）总线，其中，AMBA定义了三种总线，包括APB（Advanced Peripheral Bus）总线、AHB（Advanced High-performance Bus）总线和AXI（Advanced eXtensible Interface）总线。总线82可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器81可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器81中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器81可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器81读取存储器中的信息，结合其硬件完成前述图1至图2所示的设备故障诊断模型的训练方法，以及图3至图4所示的设备故障诊断方法。
本发明实施例所提供的一种基于人工智能的设备故障诊断与识别方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能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取存储介质中。基于这样的理解，本发明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，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种设备故障诊断模型的训练方法，其特征在于，所述方法包括：
获取预先采集的信号数据集；所述信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；
对所述第一特征参数和所述第二特征参数分别进行特征提取，得到所述第一特征参数和所述第二特征参数分别包含的目标特征参数；
将所述目标特征参数输入至预先设置的初始分类器，对所述初始分类器进行训练，得到设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
对所述第一特征参数和所述第二特征参数分别进行特征提取，得到所述第一特征参数和所述第二特征参数分别包含的目标特征参数的步骤，包括：
将所述第一特征参数和所述第二特征参数输入至预设的深度神经网络，通过所述深度神经网络分别提取所述第一特征参数和所述第二特征参数包含的目标特征参数；
其中，所述深度神经网络为利用粒子群算法处理的深度神经网络；
所述方法还包括：
将所述信号数据集输入至初始神经网络中，根据所述信号数据集和所述初始神经网络的神经元权重向量的欧氏距离，确定所述信号数据集和所述神经元权重向量对应的适应度函数；所述适应度函数中包括所述信号数据集和所述神经元权重向量的欧氏距离；
根据所述适应度函数和所述初始神经网络的神经元权重向量，利用粒子群算法对所述初始神经网络进行参数搜索，确定初始神经元权重向量；
根据所述初始神经元权重向量和所述信号数据集对应的数量积，从所述适应度函数中确定目标欧氏距离指示的目标神经元；
对所述目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用所述粒子群算法对所述目标神经元的权重向量迭代处理，更新所述初始神经网络的神经元权重向量；
以及，在所述迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括所述目标神经元的权重向量的深度神经网络。
2.根据权利要求1所述的方法，其特征在于，所述参数搜索包括第一分支搜索和第二分支搜索，所述第一分支搜索和所述第二分支搜索的分支方向不同；
根据所述适应度函数和所述初始神经网络的神经元权重向量，利用粒子群算法对所述初始神经网络进行参数搜索，确定初始神经元权重向量的步骤，包括：
针对所述初始神经网络的所述神经元权重向量，按照所述第一分支搜索指示的所述神经元权重向量的第一分支坐标值和所述适应度函数，确定对应的第一适应度值；
以及，按照所述第二分支搜索指示的所述神经元权重向量的第二分支坐标值和所述适应度函数，确定对应的第二适应度值；
根据所述第一适应度值和所述第二适应度值，确定所述参数搜索对应的更新粒子位置；所述更新粒子位置通过下述公式确定：
其中，为所述更新粒子位置，为更新前的搜索粒子位置，为数学中的符号函数，为搜索步长，为所述第一适应度值，为所述第二适应度值，为搜索粒子随机向量；
将所述更新粒子位置对应的神经元权重向量确定为所述初始神经元权重向量。
3.根据权利要求1所述的方法，其特征在于，根据所述初始神经元权重向量和所述信号数据集对应的数量积，从所述适应度函数中确定目标欧氏距离指示的目标神经元的步骤，包括：
对所述信号数据集和所述初始神经元权重向量进行归一化处理，得到归一化信号数据集和归一化神经元权重向量；
对所述归一化信号数据集和所述归一化神经元权重向量进行数量积矢量运算，确定所述数量积；
将所述数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到所述目标神经元；其中，所述预设的数量积阈值对应于所述适应度函数中的目标欧氏距离。
4.一种设备故障诊断方法，其特征在于，所述方法包括：
获取目标设备的待测数据；
将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型对所述待测数据进行数据识别，并输出识别结果；
其中，所述设备故障诊断模型为基于权利要求1~3任一项所述的设备故障诊断模型的训练方法训练得到的；
基于所述识别结果对所述目标设备进行故障诊断。
5.根据权利要求4所述的设备故障诊断方法，其特征在于，所述将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型对所述待测数据进行数据识别，并输出识别结果的步骤，包括：
对所述待测数据进行特征提取，得到所述待测数据包含的目标数据；
利用所述设备故障诊断模型对所述目标数据进行分类，确定所述目标数据对应的分类结果；以及，确定所述目标数据对应的标准化权重；
根据所述标准化权重对所述分类结果进行加权，得到所述识别结果。
6.根据权利要求5所述的设备故障诊断方法，其特征在于，所述设备故障诊断模型配置有训练样本，所述训练样本包括目标特征参数；
确定所述目标数据对应的标准化权重的步骤，包括：
根据所述目标数据和所述训练样本的目标样本之间的距离，确定每个所述目标样本对应于所述目标数据的距离权重；其中，所述目标样本根据所述目标数据与所述设备故障诊断模型的训练样本之间的距离确定；
所述距离权重通过下述公式确定：
其中，为所述距离权重，为所述目标数据与第个目标样本的距离；，k为所述目标样本的数量，为近邻中最近的距离；为近邻中最远的距离；
确定所述目标样本的样本类别对应于所述目标数据的类别权重；其中，所述类别权重通过所述样本类别对应于所述目标数据的频率权重和所述样本类别对应的调和参数确定；所述调和参数包括所述样本类别的样本数目在所述训练样本的总样本类别数目的占比；
根据所述类别权重和所述距离权重计算所述标准化权重；所述标准化权重通过下述公式确定：
其中，为标准化因子，且；为训练样本所有类别的总数，所述为所述距离权重，所述为类别c对应的类别权重，为样本类别。
7.一种设备故障诊断模型的训练装置，其特征在于，所述装置包括：
数据获取模块，用于获取预先采集的信号数据集；所述信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；
数据提取模块，用于对所述第一特征参数和所述第二特征参数分别进行特征提取，得到所述第一特征参数和所述第二特征参数分别包含的目标特征参数；
训练模块，用于将所述目标特征参数输入至预先设置的初始分类器，对所述初始分类器进行训练，得到设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
所述数据提取模块，还用于将所述第一特征参数和所述第二特征参数输入至预设的深度神经网络，通过所述深度神经网络分别提取所述第一特征参数和所述第二特征参数包含的目标特征参数；其中，所述深度神经网络为利用粒子群算法处理的深度神经网络；
所述装置还包括确定模块，用于将所述信号数据集输入至初始神经网络中，根据所述信号数据集和所述初始神经网络的神经元权重向量的欧氏距离，确定所述信号数据集和所述神经元权重向量对应的适应度函数；所述适应度函数中包括所述信号数据集和所述神经元权重向量的欧氏距离；根据所述适应度函数和所述初始神经网络的神经元权重向量，利用粒子群算法对所述初始神经网络进行参数搜索，确定初始神经元权重向量；根据所述初始神经元权重向量和所述信号数据集对应的数量积，从所述适应度函数中确定目标欧氏距离指示的目标神经元；对所述目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用所述粒子群算法对所述目标神经元的权重向量迭代处理，更新所述初始神经网络的神经元权重向量；以及，在所述迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括所述目标神经元的权重向量的深度神经网络。
8.一种设备故障诊断装置，其特征在于，所述装置包括：
数据采集模块，用于获取目标设备的待测数据；
执行模块，用于将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型对所述待测数据进行数据识别，并输出识别结果；
其中，所述设备故障诊断模型为基于权利要求1~3任一项所述的设备故障诊断模型的训练方法训练得到的；
数据处理模块，用于基于所述识别结果对所述目标设备进行故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310417190.6A CN116150676B (zh) | 2023-04-19 | 2023-04-19 | 基于人工智能的设备故障诊断与识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310417190.6A CN116150676B (zh) | 2023-04-19 | 2023-04-19 | 基于人工智能的设备故障诊断与识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116150676A CN116150676A (zh) | 2023-05-23 |
| CN116150676B true CN116150676B (zh) | 2023-09-26 |
Family
ID=86352782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310417190.6A Active CN116150676B (zh) | 2023-04-19 | 2023-04-19 | 基于人工智能的设备故障诊断与识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116150676B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341768A (zh) * | 2023-05-29 | 2023-06-27 | 中南大学 | 一种基于深度学习的碳排放量预测方法 |
| CN116429406B (zh) * | 2023-06-14 | 2023-09-26 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
| CN116432091B (zh) * | 2023-06-15 | 2023-09-26 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
| CN116881832B (zh) * | 2023-09-07 | 2023-12-08 | 山东能源数智云科技有限公司 | 旋转机械设备故障诊断模型的构建方法及装置 |
| CN116910493B (zh) * | 2023-09-12 | 2023-12-08 | 山东能源数智云科技有限公司 | 基于多源特征提取的设备故障诊断模型的构建方法及装置 |
| CN117056734B (zh) * | 2023-10-12 | 2024-02-06 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
| CN117407797B (zh) * | 2023-12-15 | 2024-03-29 | 山东能源数智云科技有限公司 | 基于增量学习的设备故障诊断方法及模型的构建方法 |
| CN117437382B (zh) * | 2023-12-19 | 2024-03-19 | 成都电科星拓科技有限公司 | 一种数据中心部件的更新方法及系统 |
| CN117631719B (zh) * | 2024-01-24 | 2024-05-31 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
| CN117668528B (zh) * | 2024-02-01 | 2024-04-12 | 成都华泰数智科技有限公司 | 基于物联网的天然气调压器故障检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
| CN112504682A (zh) * | 2020-12-21 | 2021-03-16 | 中国人民解放军63963部队 | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN113157732A (zh) * | 2021-02-23 | 2021-07-23 | 北京科技大学 | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 |
| CN114298265A (zh) * | 2021-12-13 | 2022-04-08 | 展讯通信（上海）有限公司 | 射频电路诊断模型训练、诊断方法、装置、介质及终端 |
| CN115112372A (zh) * | 2022-06-22 | 2022-09-27 | 哈尔滨工业大学（深圳） | 轴承故障诊断方法、装置、电子设备及存储介质 |
| WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| WO2023035869A1 (zh) * | 2022-03-15 | 2023-03-16 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
-
2023
- 2023-04-19 CN CN202310417190.6A patent/CN116150676B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN112504682A (zh) * | 2020-12-21 | 2021-03-16 | 中国人民解放军63963部队 | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 |
| CN113157732A (zh) * | 2021-02-23 | 2021-07-23 | 北京科技大学 | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 |
| WO2022198899A1 (zh) * | 2021-03-24 | 2022-09-29 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
| CN114298265A (zh) * | 2021-12-13 | 2022-04-08 | 展讯通信（上海）有限公司 | 射频电路诊断模型训练、诊断方法、装置、介质及终端 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| WO2023035869A1 (zh) * | 2022-03-15 | 2023-03-16 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
| CN115112372A (zh) * | 2022-06-22 | 2022-09-27 | 哈尔滨工业大学（深圳） | 轴承故障诊断方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Yong Zhu,Guangpeng Li,,,Chuan Wang."Acoustic signal-based fault detection of hydraulic piston pump using a particle swarm optimization enhancement CNN".《Applied Acoustics》.2022,全文. * |
| 魏永合 ; 刘炜 ; 杨艳君 ; 王志伟 ; ."基于流形学习与学习矢量量化神经网络的齿轮故障诊断模型".《组合机床与自动化加工技术》.2018,(第04期),全文. * |
| 魏永合 ; 刘炜 ; 杨艳君 ; 王志伟 ; .基于流形学习与学习矢量量化神经网络的齿轮故障诊断模型.组合机床与自动化加工技术.2018,(第04期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116150676A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116150676B (zh) | 基于人工智能的设备故障诊断与识别方法及装置 | |
| CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机 | |
| JP2021140739A (ja) | プログラム、学習済みモデルの生成方法、情報処理方法及び情報処理装置 | |
| CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
| CN116910493B (zh) | 基于多源特征提取的设备故障诊断模型的构建方法及装置 | |
| CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
| JP2019061577A (ja) | 異常判定方法及びプログラム | |
| CN116432091B (zh) | 基于小样本的设备故障诊断方法、模型的构建方法及装置 | |
| CN117056734B (zh) | 基于数据驱动的设备故障诊断模型的构建方法及装置 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN112565187B (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
| CN116821697B (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
| CN115994327A (zh) | 基于边缘计算的设备故障诊断方法及装置 | |
| CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
| CN116956197A (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
| CN118070682A (zh) | 基于人工智能的螺旋栓吊环受损评估方法及装置 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN115484112A (zh) | 支付大数据安全防护方法、系统及云平台 | |
| JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
| Pan et al. | Unsupervised root-cause analysis for integrated systems | |
| CN112801028A (zh) | 基于归纳表示学习网络的光谱和空间图高光谱图像分类方法 | |
| CN107884362B (zh) | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 | |
| CN116429406B (zh) | 大型机械设备故障诊断模型的构建方法及装置 | |
| CN113742849B (zh) | 类固液飞行器总体设计的变量灵敏度分析方法及装置 |
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 |