CN116204768A - 故障诊断方法、装置、计算机设备和存储介质 - Google Patents

故障诊断方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116204768A
CN116204768A CN202310120357.2A CN202310120357A CN116204768A CN 116204768 A CN116204768 A CN 116204768A CN 202310120357 A CN202310120357 A CN 202310120357A CN 116204768 A CN116204768 A CN 116204768A
Authority
CN
China
Prior art keywords
time
frequency domain
diagnosis result
electronic circuit
feature
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
CN202310120357.2A
Other languages
English (en)
Inventor
孟苓辉
谢锦阳
陈义强
路国光
周振威
刘俊斌
何世烈
俞鹏飞
余陆斌
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.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
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 China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202310120357.2A priority Critical patent/CN116204768A/zh
Publication of CN116204768A publication Critical patent/CN116204768A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本申请涉及一种故障诊断方法、装置、计算机设备和存储介质。方法包括：对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。通过上述方法可以实现对电子电路中细小故障的诊断，且增加了故障诊断精准性。

Description

故障诊断方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力技术领域，特别是涉及一种故障诊断方法、装置、计算机设备和存储介质。
背景技术
随着科技的进步与发展，电力已经成为生产生活中不可或缺的一部分，电子电路作为电力的载体，若其发生故障，则会严重影响正常的生产生活，特别是电子电路已经成为了导弹、鱼雷、各种炸弹等武器装备中的核心组件，一旦发生事故，将造成极大的损失与伤亡，因此对电子电路的故障分析就显得尤为重要。
目前，通常采用的故障检测方法是根据电路的输出电压进行故障判断，该方式只能对较为明显的故障进行诊断，当遇到特征微弱、复杂或者故障现象不明显的电子电路故障时，往往难以对其进行诊断，这些无法被诊断到的故障造成了极大的安全隐患，因此如何对特征微弱的细小故障进行诊断成为了亟待解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够诊断细小故障的故障诊断方法、装置计算机设备和存储介质。
第一方面，本申请提供了一种故障诊断方法。该方法包括：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
在其中一个实施例中，对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征，包括：
通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征；
通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征；
根据频域特征和时域特征，确定当前故障信号的时频域特征。
在其中一个实施例中，分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果，包括：
通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果；
通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
在其中一个实施例中，通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果，包括：
根据时频域特征，生成时频域特征图；
通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
在其中一个实施例中，该方法还包括：
获取电子电路的历史故障信号；
基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域；
基于训练样本，训练深度残差收缩网络和长短期记忆网络。
在其中一个实施例中，根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果，包括：
根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
第二方面，本申请还提供了一种故障诊断装置。该装置包括：
特征获取模块，用于对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
结果诊断模块，用于分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
故障确定模块，用于根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
上述故障诊断方法、装置、计算机设备和存储介质。提取电子电路的故障信号进行时频域分析得到时频域特征，并将时频域特征分别进行两种解析，得到两种诊断结果，并根据两种诊断结果确定电子电路的最终诊断结果，由于本方案是根据时域和频域两个维度的诊断结果确定最终诊断结果，因此对于极其微小的故障也可能够精准的检测到，最大限度的保证了电子电路的安全性，保证了生产生活的正常进行。
附图说明
图1为一个实施例中故障诊断方法的应用环境图；
图2为一个实施例中故障诊断方法的流程示意图；
图3为一个实施例中获取时频域特征的原理示意图；
图4为一个实施例中获取第一诊断结果和第二诊断结果的原理示意图；
图5为一个实施例中获取目标诊断结果的原理示意图；
图6为一个实施例中训练深度残差收缩网络和长短期记忆网络方法的流程示意图；
图7为一个实施例中根据故障信号确定目标诊断结果的原理示意图；
图8为另一个实施例中故障诊断方法的流程示意图；
图9为一个实施例中故障诊断装置的结构框图；
图10为另一个实施例中故障诊断装置的结构框图；
图11为又一个实施例中故障诊断装置的结构框图；
图12为再一个实施例中故障诊断装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的故障诊断方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储做相关处理时所需的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现下述任意实施例所示的故障诊断方法。
在一个实施例中，如图2所示，提供了一种故障诊断方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征。
其中，本实施例中的电子电路可以是任意生产或生活场景下的电子产品中的电路。
当前故障信号可以是电子电路在发生故障时生成并发送至计算机设备的信号，也可以是计算机设备通过故障信号检测设备检测到电子电路的当前故障信号。
可选地，本实施例可以对电子电路的当前故障信号进行时域分析，同时对电子电路的当前故障信号进行频域分析，并将时域分析结果与频域分析结果进行合并得到当前故障信号的时频域特征。
可选的，本步骤的一种可选实现方式可以是，通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征；通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征；根据频域特征和时域特征，确定当前故障信号的时频域特征。
其中，时频域分析包括时域分析和频域分析；变分模态分解算法是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解；小波变换算法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。
可选的，可以通过监测设备测量或者现场测量的方法获取电子电路中的故障信号，并通过变分模态分解算法对获取到的故障信号进行频域分析，从而得到故障信号的频域特征，再通过小波变换算法获取故障信号的时域特征，将获取到的频域特征和时域特征进行合并，即可得到当前故障信号的时频域特征，此过程实现了将一维的故障信号转化为二维的时频域特征。
示例性的，如图3所示，将故障信号分别通过变分模态分解算法和小波变换算法获得频域特征和时域特征，并将频域特征和时域特征进行合并得到最终的故障信号的时频域特征。
S202，分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果。
其中，本实施例S201得到的时频域特征中包含多个维度的子特征，各维度子特征对故障分析的贡献度为每个维度的故障子特征对于分析最终故障类型时所起到的作用占比，作用占比越高，贡献度越高。各维度子特征之间的时序特性为各维度子特征在相邻时刻之间的相关特性。诊断结果是对电子电路的故障类型进行诊断的结果。第一诊断结果和第二诊断结果均为电子电路的故障类型的诊断结果，区别在于，第一诊断结果是根据时频域特征中各维度子特征对故障分析的贡献度，分析得到的，第二诊断结果是根据各维度子特征之间的时序特性，对时频域特征进行解析得到的。
可选的，可以根据时频域特征中各维度子特征对故障分析的贡献度，基于预先设置的第一诊断规则，或者是预先训练的第一神经网络模型，对时频域特征进行解析，得到电子电路的第一诊断结果，同时根据各维度子特征之间的时序特性，基于预先设置的第二诊断规则，或者是预先训练的第二神经网络模型，对时频域特征进行解析，得到电子电路的第二诊断结果。
可选的，为了提高微小故障诊断的准确性，本实施例可以选择预先训练好的两种神经网络模型分别对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果。具体的，可以通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果。通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
其中，深度残差收缩网络为经过训练得到的可以根据故障的时频域特征提取电子电路第一诊断结果的神经网络模型。长短期记忆网络为经过训练得到的可以根据故障的时频域特征提取电子电路第二诊断结果的神经网络模型。
可选的，采用深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度对时频域特征进行解析时，可以是根据时频域特征，生成时频域特征图；通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
具体的，可以将获取到的故障信号的时频域特征通过递归图编码将故障信号的时频域特征转换为包含原始故障信号时频域特征的二维特征图像，再将原始故障信号时频域特征的二维特征图像输入到深度残差收缩网络中，采用深度残差收缩网络对时频特征图像进行特征提取，得到各维度子特征，再采用深度残差收缩网络通过注意力机制确定各维度子特征对故障分析的贡献度，对贡献度高的子特征分配较多的注意力(即权重)，对贡献度低的子特征分配较少的注意力，从而实现对主要特征的加强，对次要特征的削弱，即加强了深度残差收缩网络从含噪声信号中提取有用特征的能力，以实现不同类型故障模式进行深入分析和故障诊断，最终，深度残差收缩网将不同维度子特征按照各自对应的权重加权计算得到深度残差收缩网络的故障分类结果，深度残差收缩网络将故障分类结果进行输出作为第一诊断结果。
可选的，本实施例通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果的具体实现方式可以是将获取到的故障信号的时频域特征直接输入到长短期记忆网络中，采用长短期记忆网络确定故障信号的时频域特征中的时序信息，然后根据时序信息对时频域特征进行解析，确定故障分类结果，最终，长短期记忆网络将故障分类结果进行输出作为第二诊断结果。
示例性的，如图4所示，将获取到的故障信号的时频域特征经过递归图编码后输入到深度残差收缩网络获得第一诊断结果，同时直接将故障信号的时频域特征输入到长短期记忆网络中，获得第二诊断结果。
S203，根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
其中，目标诊断结果为将第一诊断结果和第二诊断结果融合后的诊断结果。
可选的，若第一诊断结果和第二诊断结果中记录的是预测的电子电路属于各种故障分类结果的概率，则可以将第一诊断结果中各种可能故障分类结果的概率和第二诊断结果中各种可能故障分类结果的概率相加，并将相加后概率最高的故障类型作为目标诊断结果。
若第一诊断结果和第二诊断结果中记录的是预测的电子电路所属的某一种或多种故障分类结果，则此时可以是将第一诊断结果和第二诊断结果共有的故障分类结果作为目标诊断结果，以保证目标诊断结果的精准性，也可以是将第一诊断结果和第二诊断结果中所有的故障分类结果作为目标诊断结果，以保证目标诊断结果的全面性。
具体的，根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
可选的，将第一诊断结果乘以第一诊断结果对应的第一权重，加上第二诊断结果乘以第二诊断结果对应的第二权重，作为最终的目标诊断结果，保证了对故障的精确诊断。
示例性的，如图5所示，先将采集到的故障信号根据变分模态分解算法和小波变换方法得到故障信号的时频域特征，再将故障信号的时频域特征经过递归图编码后输入深度残差收缩网络中得到第一诊断结果，同时将故障信号的时频域特征输入到长短期记忆网络中得到第二诊断结果，最终将第一诊断结果和第二诊断结果加权计算，得到目标诊断结果。
上述实施例，获取电子电路的时频域特征，并将电子电路的时频域特征经过递归图编码后输入深度残差收缩网络中，通过注意力机制，实现了对微小故障的特征的放大，最终得到第一诊断结果，同时将电子电路的时频域特征输入长短期记忆网络中，得到第二诊断结果，最终将第一诊断结果和第二诊断结果加权计算的到目标诊断结果，由于本方案是根据时域和频域两个维度的诊断结果确定最终诊断结果，因此对于极其微小的故障也可能够精准的检测到，最大限度的保证了电子电路的安全性，保证了生产生活的正常进行。
上述实施例完整的描述了对细小故障进行诊断的全过程，而在本实施例中，如图6所示，则对两个网络模型的训练过程做了详细的阐述，该方法包括：
S601，获取电子电路的历史故障信号。
可选的，可以通过故障信号检测器或者现场检测的方法检测电子电路的故障信号，并将历史采集的所有故障信号都储存在故障信号储存器中，从而在故障信号储存器中获取电子电路的历史故障信号。
S602，基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本。
其中，相邻两次截取的信号片段中存在信号重叠区域。
可选的，为了获取更多的训练样本，采用重叠采样法对历史故障信号进行采样，获取至少两个信号片段，相邻两次截取的两个样本信号片段中存在重叠的区域。
示例性的，如图7所示，在对整个历史故障信号进行采样时，采样框可以先采取样本1，随后移动一个步长的距离，再采集样本2，以此类推，这样相邻样本之间(如样本1和样本2)存在重叠区域(如阴影区域)，从而可以在有限的整个历史故障信号中采集到的更多的样本，使用更多的样本对神经网络模型进行训练，从而增加神经网络模型的精度。
S603，基于训练样本，训练深度残差收缩网络和长短期记忆网络。
可选的，根据获取到的训练样本对深度残差收缩网络和长短期记忆网络进行训练。
可选的，在其中一种可实现方式中，可以使用一部分训练样本对深度残差收缩网络和长短期记忆网络分别进行训练，再使用另一部分训练样本对深度残差收缩网络和长短期记忆网络进行验证，例如，选取训练样本中的75％对深度残差收缩网络和长短期记忆网络进行训练，再选取训练样本中剩余的25％对深度残差收缩网络和长短期记忆网络进行验证。
具体的，对深度残差收缩网络和长短期记忆网络进行训练的方式类似，以训练深度残差收缩网络为例，本实施例可以是将训练样本输入到深度残差收缩网络中的，得到深度残差收缩网络针对输入的训练样本输出的预测的第一诊断结果，然后根据预测的第一诊断结果和训练样本对应的真实诊断结果计算模型的训练损失值，进而根据该训练损失值对深度残差收缩网络的网络参数进行调整，从而实现对深度残差收缩网络的一次迭代训练。
上述实施例，获取历史故障信号，并采用重叠采样法对样本进行采样，并根据采集的样本对深度残差收缩网络和长短期记忆网络进行训练，此方法增加了样本数量，使得训练出来的神经网络模型精度更高，从而提升了故障诊断的精准性。
为了更全面的展示本方案，本实施例给出了一种故障诊断方法的可选方式，如图8所示：
S801，获取电子电路的历史故障信号。
S802，基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本。
其中，相邻两次截取的信号片段中存在信号重叠区域。
S803，基于训练样本，训练深度残差收缩网络和长短期记忆网络。
S804，通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征。
S805，通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征。
S806，根据频域特征和时域特征，确定当前故障信号的时频域特征。
S807，根据时频域特征，生成时频域特征图。
S808，通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
S809，通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
S810，根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
上述S801-S810的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的故障诊断方法的故障诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个故障诊断装置实施例中的具体限定可以参见上文中对于故障诊断方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种故障诊断装置9，包括：特征获取模块90、结果诊断模块91和故障确定模块92，其中：
特征获取模块90，用于对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征。
结果诊断模块91，用于分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果。
故障确定模块92，用于根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
在另一个实施例中，如图10所示，上述图9中的特征获取模块90还包括：
第一获取单元900，用于通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征。
第二获取单元901，用于通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征。
第三获取单元902，用于根据频域特征和时域特征，确定当前故障信号的时频域特征。
在另一个实施例中。如图11所示，上述图9中的结果诊断模块91还包括：
第一诊断单元910，用于通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果。
第二诊断单元911，用于通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
在另一个实施例中，上述图11中的第一诊断单元910还具体用于：
根据时频域特征，生成时频域特征图；通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
在另一个实施例中，如图12所示，上述图9中的故障诊断装置9还包括：
历史故障获取模块93，用于获取电子电路的历史故障信号。
重叠采样模块94，用于基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域。
网络训练模块95，用于基于训练样本，训练深度残差收缩网络和长短期记忆网络。
在另一个实施例中，上述图9中的故障确定模块92还具体用于：
根据第一诊断结果和诊断对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
上述输故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种故障诊断方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备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，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征；
通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征；
根据频域特征和时域特征，确定当前故障信号的时频域特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果；
通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据时频域特征，生成时频域特征图；
通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取电子电路的历史故障信号；
基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域；
基于训练样本，训练深度残差收缩网络和长短期记忆网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征；
通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征；
根据频域特征和时域特征，确定当前故障信号的时频域特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果；
通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据时频域特征，生成时频域特征图；
通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电子电路的历史故障信号；
基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域；
基于训练样本，训练深度残差收缩网络和长短期记忆网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
对电子电路的当前故障信号进行时频域分析，得到当前故障信号的时频域特征；
分别根据时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第一诊断结果和第二诊断结果；
根据第一诊断结果和第二诊断结果，确定电子电路的目标诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到当前故障信号的频域特征；
通过小波变换算法，对当前故障信号进行时域分析，得到当前故障信号的时域特征；
根据频域特征和时域特征，确定当前故障信号的时频域特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过深度残差收缩网络，根据时频域特征中各维度子特征对故障分析的贡献度，对时频域特征进行解析，得到电子电路的第一诊断结果；
通过长短期记忆网络，根据时频域特征中各维度子特征之间的时序特性，对时频域特征进行解析，得到电子电路的第二诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据时频域特征，生成时频域特征图；
通过深度残差收缩网络，根据时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定各维度子特征对故障分析的贡献度，并根据各维度子特征和各维度子特征对应的贡献度，解析电子电路的第一诊断结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取电子电路的历史故障信号；
基于重叠采样法，从历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域；
基于训练样本，训练深度残差收缩网络和长短期记忆网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一诊断结果和第一诊断结果对应的第一权重，以及第二诊断结果和第二诊断结果的对应的第二权重，确定电子电路的目标诊断结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种故障诊断方法，其特征在于，所述方法包括：
对电子电路的当前故障信号进行时频域分析，得到所述当前故障信号的时频域特征；
分别根据所述时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对所述时频域特征进行解析，得到所述电子电路的第一诊断结果和第二诊断结果；
根据所述第一诊断结果和所述第二诊断结果，确定所述电子电路的目标诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述对电子电路的当前故障信号进行时频域分析，得到所述当前故障信号的时频域特征，包括：
通过变分模态分解算法，对电子电路的当前故障信号进行频域分析，得到所述当前故障信号的频域特征；
通过小波变换算法，对所述当前故障信号进行时域分析，得到所述当前故障信号的时域特征；
根据所述频域特征和所述时域特征，确定所述当前故障信号的时频域特征。
3.根据权利要求1所述的方法，其特征在于，所述分别根据所述时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对所述时频域特征进行解析，得到所述电子电路的第一诊断结果和第二诊断结果，包括：
通过深度残差收缩网络，根据所述时频域特征中各维度子特征对故障分析的贡献度，对所述时频域特征进行解析，得到所述电子电路的第一诊断结果；
通过长短期记忆网络，根据所述时频域特征中各维度子特征之间的时序特性，对所述时频域特征进行解析，得到所述电子电路的第二诊断结果。
4.根据权利要求3所述的方法，其特征在于，所述通过深度残差收缩网络，根据所述时频域特征中各维度子特征对故障分析的贡献度，对所述时频域特征进行解析，得到所述电子电路的第一诊断结果，包括：
根据所述时频域特征，生成时频域特征图；
通过深度残差收缩网络，根据所述时频域特征图，提取时频域特征中各维度子特征，以及基于注意力机制，确定所述各维度子特征对故障分析的贡献度，并根据所述各维度子特征和各维度子特征对应的贡献度，解析所述电子电路的第一诊断结果。
5.根据权利要求3或4所述的方法，其特征在于，还包括：
获取所述电子电路的历史故障信号；
基于重叠采样法，从所述历史故障信号中截取至少两个信号片段，作为训练样本；其中，相邻两次截取的信号片段中存在信号重叠区域；
基于所述训练样本，训练所述深度残差收缩网络和所述长短期记忆网络。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一诊断结果和所述第二诊断结果，确定所述电子电路的目标诊断结果，包括：
根据所述第一诊断结果和所述第一诊断结果对应的第一权重，以及所述第二诊断结果和所述第二诊断结果的对应的第二权重，确定所述电子电路的目标诊断结果。
7.一种故障诊断装置，其特征在于，所述装置包括：
特征获取模块，用于对电子电路的当前故障信号进行时频域分析，得到所述当前故障信号的时频域特征；
结果诊断模块，用于分别根据所述时频域特征中各维度子特征对故障分析的贡献度，以及各维度子特征之间的时序特性，对所述时频域特征进行解析，得到所述电子电路的第一诊断结果和第二诊断结果；
故障确定模块，用于根据所述第一诊断结果和所述第二诊断结果，确定所述电子电路的目标诊断结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310120357.2A 2023-02-14 2023-02-14 故障诊断方法、装置、计算机设备和存储介质 Pending CN116204768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310120357.2A CN116204768A (zh) 2023-02-14 2023-02-14 故障诊断方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310120357.2A CN116204768A (zh) 2023-02-14 2023-02-14 故障诊断方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116204768A true CN116204768A (zh) 2023-06-02

Family

ID=86515507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310120357.2A Pending CN116204768A (zh) 2023-02-14 2023-02-14 故障诊断方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116204768A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116930741A (zh) * 2023-07-19 2023-10-24 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 开关器件故障程度诊断方法、装置和计算机设备
CN117369425A (zh) * 2023-12-08 2024-01-09 南昌华翔汽车内外饰件有限公司 汽车仪表总成故障诊断方法、系统、存储介质及计算机

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116930741A (zh) * 2023-07-19 2023-10-24 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 开关器件故障程度诊断方法、装置和计算机设备
CN117369425A (zh) * 2023-12-08 2024-01-09 南昌华翔汽车内外饰件有限公司 汽车仪表总成故障诊断方法、系统、存储介质及计算机
CN117369425B (zh) * 2023-12-08 2024-02-27 南昌华翔汽车内外饰件有限公司 汽车仪表总成故障诊断方法、系统、存储介质及计算机

Similar Documents

Publication Publication Date Title
Lin et al. Structural damage detection with automatic feature‐extraction through deep learning
CN116204768A (zh) 故障诊断方法、装置、计算机设备和存储介质
Zhao et al. Multiscale inverted residual convolutional neural network for intelligent diagnosis of bearings under variable load condition
Zhao et al. An optimal deep sparse autoencoder with gated recurrent unit for rolling bearing fault diagnosis
Tang et al. Sparse classification of rotating machinery faults based on compressive sensing strategy
Wang et al. A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis
CN106778908A (zh) 一种新异类检测方法与装置
Makki Alamdari et al. Damage localization based on symbolic time series analysis
Kaloop et al. De-noising of GPS structural monitoring observation error using wavelet analysis
Yang et al. A novel intelligent fault diagnosis method of rolling bearings with small samples
Zhang et al. A hybrid deep-learning model for fault diagnosis of rolling bearings in strong noise environments
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
Cheng et al. Power system fault classification method based on sparse representation and random dimensionality reduction projection
Bao et al. Covid-gan+: Estimating human mobility responses to covid-19 through spatio-temporal generative adversarial networks with enhanced features
Zhu et al. Prediction of bearing remaining useful life based on DACN-ConvLSTM model
Fiedorowicz et al. KaRMMa–kappa reconstruction for mass mapping
Shajihan et al. CNN based data anomaly detection using multi-channel imagery for structural health monitoring
Zhao et al. Fast stratification of geological cross-section from CPT results with missing data using multitask and modified Bayesian compressive sensing
Ma et al. Decision-level machinery fault prognosis using N-BEATS-based degradation feature prediction and reconstruction
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN116754213A (zh) 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备
Aydin et al. A new fault diagnosis approach for induction motor using negative selection algorithm and its real-time implementation on FPGA
CN103903258B (zh) 基于次序统计量谱聚类的遥感图像变化检测方法
Hammond et al. Wavelet domain Bayesian denoising of string signal in the cosmic microwave background
Lijun et al. An intuitionistic calculus to complex abnormal event recognition on data streams

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