CN116380438A - 一种故障诊断方法、装置、电子设备及存储介质 - Google Patents
一种故障诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116380438A CN116380438A CN202310390979.7A CN202310390979A CN116380438A CN 116380438 A CN116380438 A CN 116380438A CN 202310390979 A CN202310390979 A CN 202310390979A CN 116380438 A CN116380438 A CN 116380438A
- Authority
- CN
- China
- Prior art keywords
- data
- state
- fault diagnosis
- feature
- determining
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009193 crawling Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种故障诊断方法、装置、电子设备及存储介质。该方法包括：确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。本发明的技术方案，可以根据预先训练好的故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种故障诊断方法、装置、电子设备及存储介质。
背景技术
随着科学技术的发展，交通工具的种类也越来越丰富，其中，地铁具备快速、舒适、便捷等优点，深受人民群众的喜爱。因此，地铁的安全性也是人民群众关心的重点问题之一。
地铁屏蔽门设置于地铁车站站台的边缘，用于将站台区域与轨道区域分隔开来，屏蔽门的健康状况与地铁的正常运行息息相关。目前，屏蔽门的故障检测是通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练好的分类模型实现的。
但是，通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低。
发明内容
本发明提供了一种故障诊断方法、装置、电子设备及存储介质，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。
根据本发明的一方面，提供了一种故障诊断方法，该方法包括：
确定待检测屏蔽门的状态特征；
将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；
根据分类结果确定故障诊断结果。
可选的，确定待检测屏蔽门的状态特征，包括：确定待检测屏蔽门的状态数据，其中，状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；根据关门阶段将门体位移数据划分为三个位移子数据、将门体速度数据划分为三个速度子数据、将电机电流数据划分为三个电流子数据、将皮带振动数据划分为划分为三个振动子数据；根据各位移子数据、各速度子数据、各电流子数据和各振动子数据确定待检测屏蔽门的状态特征。
可选的，在将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各卷积单元由卷积层、批标准层和最大池化层构成；基于全连接层和归一化层构建分类模块，并确定分类模块对应的分类损失子函数，分类模块用于确定特征数据对应的类别信息；根据特征提取模块、分类模块和自适应模块构建初始故障诊断模型，其中，自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，初始故障诊断模型的损失函数是由分类损失子函数、域间差异损失子函数和类间差异损失子函数确定的。
可选的，在将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：获取辅助状态数据、辅助状态数据对应的真实故障类型以及待检测屏蔽门的目标状态数据；确定辅助状态数据对应的辅助状态特征以及目标状态数据对应的目标状态特征；根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型；将辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的模拟故障类型作为训练数据输入初始故障诊断模型，对初始故障诊断模型进行模型训练，并计算损失函数；基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到训练好的故障诊断模型。
可选的，计算损失函数，包括：在初始故障诊断模型的分类模块中，基于分类损失子函数确定辅助状态特征的特征数据对应的训练故障类型，根据辅助状态特征的特征数据对应的真实故障类型和训练故障类型计算分类损失值；在初始故障诊断模型的自适应模块中，基于域间差异损失子函数确定辅助状态特征的特征数据和目标状态特征的特征数据的域间差异损失值；在初始故障诊断模型的自适应模块中，基于类间差异损失子函数确定辅助状态特征的特征数据和辅助状态特征的特征数据对应的真实故障类型、目标状态特征的特征数据和目标状态特征的特征数据对应的模拟故障类型的类间差异损失值；基于损失系数、分类损失值、域间差异损失值和类间差异损失值确定损失函数的损失值。
可选的，根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型，包括：将辅助状态特征划分为N+1组辅助状态特征集合，其中，N为正整数，表示故障类型的数量；对目标状态特征进行聚类，将目标状态特征划分为N+1组目标状态特征集合；确定目标状态特征所属的目标状态特征集合，并根据目标状态特征所属的目标状态特征集合与各辅助状态特征集合之间的相似度和各辅助状态特征集合对应的真实故障类型，确定目标状态特征对应的模拟故障类型。
可选的，基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到训练好的故障诊断模型，包括：在确定模型迭代次数不满足预设迭代条件时，基于模型优化得到的中间故障诊断模型中的特征提取模块和分类模块确定目标状态特征对应的更新故障类型；基于辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的更新故障类型对中间故障诊断模型进行训练。
根据本发明的另一方面，提供了一种故障诊断装置，该装置包括：
获取模块，用于确定待检测屏蔽门的状态特征；
确定模块，用于将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；
执行模块，用于根据分类结果确定故障诊断结果。
根据本发明的另一方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例所述的故障诊断方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例所述的故障诊断方法。
本发明实施例的技术方案，通过确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。可以根据预先训练好的故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。解决了通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低的问题。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种故障诊断方法的流程示意图；
图2a是本发明实施例二提供的一种故障诊断方法的流程示意图；
图2b是本发明实施例二提供的一种故障诊断模型的训练方法的流程示意图；
图3是本发明实施例二提供的一种初始故障诊断模型的结构示意图；
图4是本发明实施例二提供的一种待检测屏蔽门的位置和速度的关系示意图；
图5是本发明实施例三提供的一种故障诊断装置的结构示意图；
图6是本发明实施例四提供的一种电子设备的结构示意图。
附图标号：
301-特征提取模块、302-分类模块、303-自适应模块、304-卷积单元、305-全连接层、306-归一化层。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种故障诊断方法的流程示意图，本实施例可适用于地铁、轻轨等屏蔽门的故障诊断等情况，该方法可以由本发明提供的故障诊断装置来执行，该装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体包括如下步骤：
S101、确定待检测屏蔽门的状态特征。
地铁车站、轻轨车站等车站包括多个将站台区域与轨道区域分隔开来的屏蔽门。待检测屏蔽门可以理解为需要进行检测的屏蔽门。待检测屏蔽门的状态特征可以理解为包含待检测屏蔽门的状态的数据，例如，待检测屏蔽门的关门动作对应的多个时刻、各时刻的关门速度和屏蔽门的位置等，具体的，基于待检测屏蔽门的状态特征能够确定待检测屏蔽门的状态为正常状态还是异常状态，进一步的，若待检测屏蔽门的状态是异常状态，还可以根据状态特征确定待检测屏蔽门的异常类型。
这样设置的好处在于可以确定待检测屏蔽门的准确特征数据，以便根据待检测屏蔽门的状态特征确定待检测屏蔽门是否发生故障，若发生故障，也可以确定待检测屏蔽门发生的故障的类型。
S102、将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果。
其中，特征数据可以理解为待检测屏蔽门的状态特征的深层属性数据，例如，状态特征的变化趋势等，具体的，基于状态特征的变化趋势可以确定待检测屏蔽门的状态特征的类别，状态特征的变化趋势可以用状态特征的特征向量进行表示。预先训练好的故障诊断模型可以理解为训练好的适用于待检测屏蔽门的故障检测模型，具体的，向预先训练好的故障诊断模型输入待检测屏蔽门的状态特征后，预先训练好的故障诊断模型会提取状态特征的特征数据，对特征数据进行分类，根据分类结果确定待检测屏蔽门的故障诊断结果，并输出故障诊断结果。
待检测屏蔽门的状态特征包括待检测屏蔽门的关门动作对应的多个时刻、各时刻的关门速度和屏蔽门的位置，需要注意的是待检测屏蔽门无故障和存在故障时，待检测屏蔽门的关门动作对应的多个时刻、各时刻的关门速度和屏蔽门的位置等状态特征不同，进一步的，不同的故障对应的状态特征也不同。
预先训练好的故障诊断模型可以对待检测屏蔽门的状态特征的特征数据进行分类。
具体的，预先训练好的故障诊断模型中的各层参数是确定的，将待检测屏蔽门的特征数据输入训练好的模型后，待检测屏蔽门的特征数据依次通过预先训练好的故障诊断模型的各层，提取特征数据中的深层特征，实现对特征数据进行分类，得到分类结果。
这样设置的好处在于可以基于预先训练好的适用于待检测屏蔽门的故障诊断模型对待检测屏蔽门的特征数据进行分类，以便根据分类结果确定待检测屏蔽门的运行情况。
S103、根据分类结果确定故障诊断结果。
其中，故障诊断结果可以理解为待检测屏蔽门的诊断结论，例如，待检测屏蔽门未存在故障、待检测屏蔽门存在A类故障、待检测屏蔽门存在B类故障等，本发明实施例对此不进行限定。
具体的，不同的特征数据所对应的类别不同，不同的类别对应不同的故障诊断结果。示例性的，假设特征数据的分类结果包括类别1、类别2、类别3、类别4和类别5，其中类别1、类别2、类别3和类别4分别对应故障1、故障2、故障3和故障4，类别5表示无故障。根据特征数据的分类结果即可确定待检测屏蔽门的故障诊断结果。例如，若待检测屏蔽门的状态特征的特征数据的分类结果为类别3，则确定待检测屏蔽门故障诊断结果为待检测屏蔽门存在故障3；若待检测屏蔽门的状态特征的特征数据的分类结果为类别5，则确定待检测屏蔽门故障诊断结果为待检测屏蔽门的运行状态良好，不存在故障。
这样设置的好处在于可以根据待检测屏蔽门的状态特征和预先训练好的故障诊断模型快速、简捷、准确、高效的对待检测屏蔽门进行检测和故障确定。
本发明实施例的技术方案，通过确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。可以根据预先训练好的故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。解决了通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低的问题。
实施例二
图2a是本发明实施例二提供的一种故障诊断方法的流程示意图，本实施例可适用于地铁、轻轨等屏蔽门的故障诊断等情况，该方法可以由本发明提供的故障诊断装置来执行，该装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明，参考图2a，该方法具体包括如下步骤：
S201、确定故障诊断模型。
其中，故障诊断模型可以理解为基于参考状态特征和待检测屏蔽门的历史状态特征训练出的适用于待检测屏蔽门的故障检测模型，当需要检测待检测屏蔽门是否发生故障时，将待检测屏蔽门的当前状态特征输入故障诊断模型，故障诊断模型可以输出待检测屏蔽门的故障诊断结果。
参考状态特征可以理解为参考屏蔽门的状态特征，具体的，参考屏蔽门的状态特征是一种带标签的数据，即采集的参考屏蔽门的状态特征包含特征数据和特征数据对应的真实故障类型，标签表示参考屏蔽门的真实故障类型。待检测屏蔽门的历史状态特征为待检测屏蔽门在预设时间段内的状态特征，该特征数据为不带标签的数据，即待检测屏蔽门的状态特征只包含特征数据，不包含特征数据对应的故障类型。其中，预设时间可根据数据采集需求进行设定和调整，本发明实施例对此不进行限定。
本发明采用迁移学习的方法，将从参考屏蔽门的有标签数据中学习到的知识迁移到待检测屏蔽门的无标签数据中，以便训练适用于待检测屏蔽门的故障诊断模型。带标签的数据的采集成本较高，根据参考状态特征和待检测屏蔽门的历史状态特征训练适用于待检测屏蔽门的故障检测模型的好处在于可以降低屏蔽门状态数据的采样成本。
图2b是本发明实施例二提供的一种故障诊断模型的训练方法的流程示意图，本实施例将结合图2对故障诊断模型的确定过程进行阐述，如图所示，故障诊断模型的训练方法具体包括如下步骤：
S2011、构建初始故障诊断模型。
其中，初始故障诊断模型可以理解为未经训练的故障诊断模型。
在一个实施方式中，S2011具体可以包括：基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各卷积单元由卷积层、批标准层和最大池化层构成；基于全连接层和归一化层构建分类模块，并确定分类模块对应的分类损失子函数，分类模块用于确定特征数据对应的类别信息；根据特征提取模块、分类模块和自适应模块构建初始故障诊断模型，其中，自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，初始故障诊断模型的损失函数是由分类损失子函数、域间差异损失子函数和类间差异损失子函数确定的。
归一化层实质是Softmax层，Softmax是一种激活函数，可以将一个数值向量归一化为一个概率分布，Softmax输出的值的范围处于0和1之间。Softmax层一般处于神经网络的最后一层，用作多分类问题的输出。
图3是本发明实施例二提供的一种初始故障诊断模型的结构示意图，从图3中可以看出，故障诊断模型包括特征提取模块301、分类模块302和自适应模块303。特征提取模块301包括5个卷积单元304和2个全连接层305，分类模块302包括1个全连接层305和1个归一化层306。具体的，每个卷积单元304包括1个卷积层、1个批标准化层和1个最大池化层，特征提取模块301用于提取状态特征对应的深层特征数据；分类模块302用于基于分类损失子函数Lc计算参考屏蔽门的带标签数据的分类损失值。自适应模块303可以是联合分布自适应模块，用于衡量域间差异程度和类间差异程度，例如，基于域间差异损失子函数LD_MMD确定域间差异损失值，基于类间差异损失子函数LC_MMD确定类间差异损失值。进一步的，自适应模块通过尽可能的缩小参考状态特征和待检测屏蔽门的状态特征之间的最大均值差异值来适配边缘分布，通过缩小两者中相同类别之间的最大均值差异来适配条件分布，再将两个差异值作为损失项添加到模型的总损失中，确定模型的总损失函数Ltotal＝Lc+LD_MMD+LC_MMD。通过模型训练更新网络各层参数，缩小参考状态特征和待检测屏蔽门的状态特征之间的差异，最终达到迁移学习的目的。
具体的，分类损失子函数
域间差异损失子函数
类间差异损失子函数
其中，m为样本数量，k为故障种类，/>
为第i个样本属于第j个类别的实际标签值，yij为第i个样本被预测为第j类的概率值。ns为源域样本数量，nt为目标域样本数量，/>
表示将特征映射到再生核希尔伯特空间(ReproducedKernel Hilbert Space，RKHS)的非线性映射函数，H表示再生希尔伯特空间，/>
表示源域中类别标签为c的样本集合，源域是参考屏蔽门的数据域，/>
表示目标域中类别标签为c的样本集合，目标域是待检测屏蔽门的数据域，/>
表示集合/>
中的样本数量，/>
表示集合
中的样本数量。
S2012、获取辅助状态数据、辅助状态数据对应的真实故障类型以及待检测屏蔽门的目标状态数据。
其中，参考屏蔽门的状态参数是含有故障标签的，包括辅助状态数据和辅助状态数据对应的真实故障类型，待检测屏蔽门的目标状态数据没有故障标签，包括待检测屏蔽门在预设时间段内的运行数据。
以地铁站为例对数据获取过程进行阐述，地铁站站内设置有数据获取装置，数据获取装置与各屏蔽门连接，用于获取屏蔽门的状态特征。确定了参考屏蔽门和待检测屏蔽门后，通过数据获取装置即可获取辅助状态数据、辅助状态数据对应的真实故障类型以及待检测屏蔽门的目标状态数据。
进一步的，辅助状态数据、辅助状态数据对应的真实故障类型可以存储于服务器，当需要获取辅助状态数据、辅助状态数据对应的真实故障类型时，直接调用服务器上存储的数据，这样设置的好处在于减少数据获取的时间，提升模型训练的速度。
S2013、确定辅助状态数据对应的辅助状态特征以及目标状态数据对应的目标状态特征。
其中，辅助状态数据和目标状态数据中不但包含了对故障敏感的显著特征，也包含对设备状态变化不敏感的特征。在故障诊断过程中，对设备状态变化不敏感的特征与故障的相关程度低，存在较大的重复性和冗余性，不仅对于故障的识别和分类没有帮助，甚至会带来干扰，因此，需要将对故障不敏感的特征剔除。辅助状态特征可以理解为不包含对故障不敏感的特征的辅助状态数据，同理，目标状态特征可以理解为不包含对故障不敏感的特征的目标状态数据。
具体的，本发明可以采用方差分析法剔除辅助状态数据和目标状态数据中对设备状态变化不敏感的特征，得到辅助状态特征和目标状态特征。方差分析能够考察观测值中某个特征对总体变异程度的影响大小，因此，采用方差分析法可以确定不同特征值对故障分类的影响程度，从而筛选出故障敏感特征和故障不敏感特征。
示例性的，在方差分析中，屏蔽门故障类型的集合用因素表示，故障用水平表示，各个样本的特征值(状态特征)用观测值表示，故障敏感性用统计量的值表示。统计量与各误差平方和相关，误差平方和包括组间平方和与组内平方和，组间平方和用于表示因素在各水平下的样本均值与数据总均值间的差异，组内平方和用于表示同一故障类型内样本观测值与样本均值间的差异。具体的，组间平方和为
组内平方和为
其中，n表示每类故障的样本量，k表示因素的水平数，/>
表示第i类故障的特征值均值，/>
表示全部观测值的均值，xij表示第i类故障的第j个观测值。进一步的，为了消除观测值数量对误差平方和大小的影响，需要对SSA和SSE进行平均处理，以便求解统计量。组间均方为/>
组内均方为/>
统计量为/>
统计量值越大，说明差异越显著，基于统计量值即可剔除故障不敏感特征，确定辅助状态数据对应的辅助状态特征以及目标状态数据对应的目标状态特征。
S2014、根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型。
其中，模拟故障类型可以理解为基于辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征确定的目标状态特征的初步故障类型。
具体的，模拟故障类型的具体确定方法包括：将辅助状态特征划分为N+1组辅助状态特征集合，其中，N为正整数，表示故障类型的数量；对目标状态特征进行聚类，将目标状态特征划分为N+1组目标状态特征集合；确定目标状态特征所属的目标状态特征集合，并根据目标状态特征所属的目标状态特征集合与各辅助状态特征集合之间的相似度和各辅助状态特征集合对应的真实故障类型，确定目标状态特征对应的模拟故障类型。
聚类分析是一种无监督学习方法，只需要数据，不需要标签结果，可以把大量的无标签样本根据差异大小，划分为若干类，每个类内的样本是相似的，不同类之间的样本差异较大。针对目标状态特征这类无标签数据，通过聚类分析可以将其划分成与辅助状态特征相同的类别，然后通过类间距离确定目标状态特征对应的模拟故障类型。
辅助状态特征根据其对应的真实故障类型进行划分。
具体的，以k均值聚类算法(k-means clustering algorithm)为例，对目标状态特征集合的划分进行阐述。首先，从目标状态特征中随机选取N+1个样本作为初始的聚类中心，N为故障类型的数量。其次，遍历目标状态特征中的每个样本，依次计算每个样本到N+1个聚类中心的欧式距离并将其分到距离最小的聚类中心对应的类别中。欧氏距离的表达式为
其中，j表示特征的数量，n表示样本的n个特征，yj表示类别ci聚类中心的第j个特征，xj表示该类别中样本的第j个特征。最后，分别将每个类别中所有样本的质心确定为该类别的聚类中心，并对目标状态特征中的每个样本重新聚类，直至聚类中心的位置不再发生变化，认为将目标状态特征划分为N+1组目标状态特征集合。
进一步的，推土机距离(Wasserstein距离)可以通过计算将数据从分布P移动成分布q时所需移动的平均距离的最小值来衡量两个分布之间的相似程度，距离越近，相似度越高。具体的，Wasserstein距离的表达式为W(Si,Ti)＝infγ～Π(Si,Ti)Ex,y～γ[||x-y||]，其中，i表示集合的数量，Si表示辅助状态特征集合，Ti表示目标状态特征集合，∏(Si,Ti)分布Si和Ti组合起来的所有可能的联合分布的集合，Ex,y～γ[||x-y||]表示属于联合分布γ下的样本x和y对距离的期望值，inf表示在所有的联合分布中能够对这个期望值取到的下界。
这种方法的好处在于当两个分布没有重叠时仍能够反映两个分布的远近。通过计算目标状态特征所属的目标状态特征集合与各辅助状态特征集合之间的Wasserstein距离，即可确定各目标状态特征集合与各辅助状态特征集合之间的相似度，以便基于各辅助状态特征集合对应的真实故障类型确定目标状态特征对应的模拟故障类型。
S2015、将辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的模拟故障类型作为训练数据输入初始故障诊断模型，对初始故障诊断模型进行模型训练，并计算损失函数。
其中，损失函数是由分类损失子函数Lc、域间差异损失子函数LD_MMD和类间差异损失子函数LC_MMD确定的。
在一实施方式中，步骤S2015具体可以包括：在初始故障诊断模型的分类模块中，基于分类损失子函数
确定辅助状态特征的特征数据对应的训练故障类型，根据辅助状态特征的特征数据对应的真实故障类型和训练故障类型计算分类损失值；在初始故障诊断模型的自适应模块中，基于域间差异损失子函数
确定辅助状态特征的特征数据和目标状态特征的特征数据的域间差异损失值；在初始故障诊断模型的自适应模块中，基于类间差异损失子函数
确定辅助状态特征的特征数据和辅助状态特征的特征数据对应的真实故障类型、目标状态特征的特征数据和目标状态特征的特征数据对应的模拟故障类型的类间差异损失值；基于损失系数、分类损失值、域间差异损失值和类间差异损失值确定损失函数的损失值。
训练过程中，分类模块会确定辅助状态特征的特征数据对应的训练故障类型，分类损失值可以通过辅助状态特征的特征数据对应的训练故障类型和真实故障类型的偏差情况进行确定，例如，若训练故障类型和真实故障类型的差异大，则分类损失值高，若训练故障类型和真实故障类型的差异小，则分类损失值低。
损失系数可以理解为惩罚项系数。在模型的不同阶段，需要关注不同的部分，在模型训练前期，从源域和目标域提取的特征向量具有较大的差异，因此需要更加关注源域和目标域之间的域间差异，当模型训练一段时间后源域和目标域之间的差异变小，在模型训练后期需要更加关注源域和目标域对应类别间的类间差异。因此，本发明还设计了随迭代次数变化的惩罚项系数，惩罚项系数的表达式为
其中，μ为惩罚项系数，x为迭代次数，nepoch为预先设置好的总迭代次数。这样设置的好处在于可以提升模型在目标域上的分类能力。
S2016、基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到故障诊断模型。
其中，预设迭代条件可以理解为判断模型是否训练完成的依据，包括模型收敛且迭代次数满足预先设置好的迭代次数等，模型是否收敛可根据损失函数的损失值的变化情况进行确定，例如，若损失函数的损失值呈递减趋势，则认为模型收敛。
具体的，初始故障诊断模型会基于获取的辅助状态数据对应的辅助状态特征、辅助状态数据对应的真实故障类型、目标状态数据对应的目标状态特征以及目标状态特征对应的模拟故障类型进行训练，训练包括多个迭代过程，每次迭代均会基于获取的数据计算模型的损失函数，以便更新模型的各层参数，缩小参考状态特征和待检测屏蔽门的状态特征之间的差异。当模型收敛且模型迭代次数满足预设次数时，认为模型训练完成，得到适用于待检测屏蔽门的故障诊断模型。
具体的，在模型迭代次数不满足预设迭代条件时，将基于损失函数的损失值优化模型，基于模型优化得到的中间故障诊断模型确定目标状态特征的更新故障类型，并基于辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的更新故障类型继续训练中间故障诊断模型，直至中间故障诊断模型收敛且迭代次数满足预设次数。当中间故障诊断模型收敛且迭代次数满足预设次数时，认为模型训练完成，得到适用于待检测屏蔽门的故障诊断模型。
S202、确定待检测屏蔽门的状态特征。
在一实施例中，步骤S202具体可以包括：确定待检测屏蔽门的状态数据；其中，状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；根据关门阶段将门体位移数据划分为三个位移子数据、将门体速度数据划分为三个速度子数据、将电机电流数据划分为三个电流子数据、将皮带振动数据划分为划分为三个振动子数据；根据各位移子数据、各速度子数据、各电流子数据和各振动子数据确定待检测屏蔽门的状态特征。
具体的，图4是本发明实施例二提供的一种待检测屏蔽门的位置和速度的关系示意图，从图4中可以看出待检测屏蔽门的关门动作分为匀速运动、减速运动和匀速运动三个阶段，其中，V1表示设定的最大关门速度，V2表示设定的关门最后爬行速度，S1表示设定的最大关门速度的移动距离，S2为S1+300mm，S3表示设定的关门最后爬行速度的移动距离。屏蔽门关门动作是通过比例积分微分(Proportional-Integral-Derivative control，PID)控制，当最大关门速度、关门最后爬行速度等参数确定后，待检测屏蔽门的位置和速度的关系曲线固定，系统根据这条曲线，可以对开关门过程进行动态调整。门体位移数据、门体速度数据、电机电流数据和皮带振动数据的曲线均与待检测屏蔽门的位置和速度的关系曲线相关，根据关门阶段即可将门体位移数据划分为三个位移子数据、将门体速度数据划分为三个速度子数据、将电机电流数据划分为三个电流子数据、将皮带振动数据划分为划分为三个振动子数据。
各子数据分别包含15个特征值，表1为各子数据的特征值名称及计算公式对应表。
表1
其中，x(n)表示需要进行求解的子数据，N表示需要进行求解的子数据的数据量。进一步的，根据3个位移子数据、3个速度子数据、3个电流子数据和3个振动子数据的特征值能够确定待检测屏蔽门的状态特征，具体的，待检测屏蔽门包括180个状态特征。
S203、将待检测屏蔽门的状态特征输入故障诊断模型中，以使故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果。
具体的，故障诊断模型可以提取待检测屏蔽门的状态特征的特征数据和确定特征数据的类型，以便根据待检测屏蔽门的状态特征的特征数据的分类结果确定待检测屏蔽门是否发生故障，以及在待检测屏蔽门发生故障，确定发生的故障为何种故障。
S204、根据分类结果确定故障诊断结果。
具体的，根据分类结果确定故障诊断结果可以理解为根据待检测屏蔽门的状态特征的特征数据对应的类型确定待检测屏蔽门的故障诊断结论。
进一步的，若待检测屏蔽门发生故障，故障诊断结果还可以包括故障对应的处理措施，以便操作人员根据故障诊断结果及时维修待检测屏蔽门。
本发明实施例的技术方案，通过故障诊断模型；确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入故障诊断模型中，以使故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。可以根据包含故障类型的辅助样本数据和待检测屏蔽门的不包含故障类型的样本数据训练检测待检测屏蔽门故障类型的故障诊断模型，再基于故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够将从参考屏蔽门的有标签数据中学习到的知识迁移到待检测屏蔽门的无标签数据中，以便训练适用于待检测屏蔽门的故障诊断模型，降低屏蔽门状态数据的采样成本，有效提升故障检测速度和准确度，提高屏蔽门的安全性；基于损失系数、分类损失值、域间差异损失值和类间差异损失值确定损失函数的损失值，能够提升模型在目标域上的分类能力。解决了通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低的问题。
实施例三
图5是本发明实施例三提供的一种故障诊断装置的结构示意图。如图5所示，该装置包括：获取模块501、确定模块502和执行模块503。
获取模块501，用于确定待检测屏蔽门的状态特征。
确定模块502，用于将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果。
执行模块503，用于根据分类结果确定故障诊断结果。
可选的，获取模块501，具体用于确定待检测屏蔽门的状态数据，其中，状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；根据关门阶段将门体位移数据划分为三个位移子数据、将门体速度数据划分为三个速度子数据、将电机电流数据划分为三个电流子数据、将皮带振动数据划分为划分为三个振动子数据；根据各位移子数据、各速度子数据、各电流子数据和各振动子数据确定待检测屏蔽门的状态特征。
可选的，该装置还包括模型确定模块，用于基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各卷积单元由卷积层、批标准层和最大池化层构成；基于全连接层和归一化层构建分类模块，并确定分类模块对应的分类损失子函数，分类模块用于确定特征数据对应的类别信息；根据特征提取模块、分类模块和自适应模块构建初始故障诊断模型，其中，自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，初始故障诊断模型的损失函数是由分类损失子函数、域间差异损失子函数和类间差异损失子函数确定的。
可选的，模型确定模块，具体用于获取辅助状态数据、辅助状态数据对应的真实故障类型以及待检测屏蔽门的目标状态数据；确定辅助状态数据对应的辅助状态特征以及目标状态数据对应的目标状态特征；根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型；将辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的模拟故障类型作为训练数据输入初始故障诊断模型，对初始故障诊断模型进行模型训练，并计算损失函数；基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到训练好的故障诊断模型。
可选的，模型确定模块，具体用于在初始故障诊断模型的分类模块中，基于分类损失子函数确定辅助状态特征的特征数据对应的训练故障类型，根据辅助状态特征的特征数据对应的真实故障类型和训练故障类型计算分类损失值；在初始故障诊断模型的自适应模块中，基于域间差异损失子函数确定辅助状态特征的特征数据和目标状态特征的特征数据的域间差异损失值；在初始故障诊断模型的自适应模块中，基于类间差异损失子函数确定辅助状态特征的特征数据和辅助状态特征的特征数据对应的真实故障类型、目标状态特征的特征数据和目标状态特征的特征数据对应的模拟故障类型的类间差异损失值；基于损失系数、分类损失值、域间差异损失值和类间差异损失值确定损失函数的损失值。
可选的，模型确定模块，具体用于将辅助状态特征划分为N+1组辅助状态特征集合，其中，N为正整数，表示故障类型的数量；对目标状态特征进行聚类，将目标状态特征划分为N+1组目标状态特征集合；确定目标状态特征所属的目标状态特征集合，并根据目标状态特征所属的目标状态特征集合与各辅助状态特征集合之间的相似度和各辅助状态特征集合对应的真实故障类型，确定目标状态特征对应的模拟故障类型。
可选的，模型确定模块，具体用于在确定模型迭代次数不满足预设迭代条件时，基于模型优化得到的中间故障诊断模型中的特征提取模块和分类模块确定目标状态特征对应的更新故障类型；基于辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的更新故障类型对中间故障诊断模型进行训练。
本发明实施例所提供的故障诊断装置可执行本发明任意实施例所提供的故障诊断方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如故障诊断方法。
在一些实施例中，故障诊断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的故障诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)或者包括中间件部件的计算系统(例如，应用服务器)或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种故障诊断方法，其特征在于，包括：
确定待检测屏蔽门的状态特征；
将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使所述预先训练好的故障诊断模型确定所述状态特征的特征数据，并对所述特征数据进行分类，得到分类结果；
根据所述分类结果确定故障诊断结果。
2.根据权利要求1所述的方法，其特征在于，确定待检测屏蔽门的状态特征，包括：
确定所述待检测屏蔽门的状态数据，其中，所述状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；
根据关门阶段将所述门体位移数据划分为三个位移子数据、将所述门体速度数据划分为三个速度子数据、将所述电机电流数据划分为三个电流子数据、将所述皮带振动数据划分为划分为三个振动子数据；
根据各所述位移子数据、各所述速度子数据、各所述电流子数据和各所述振动子数据确定所述待检测屏蔽门的状态特征。
3.根据权利要求1所述的方法，其特征在于，在将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：
基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各所述卷积单元由卷积层、批标准层和最大池化层构成；
基于全连接层和归一化层构建分类模块，并确定所述分类模块对应的分类损失子函数，所述分类模块用于确定特征数据对应的类别信息；
根据所述特征提取模块、所述分类模块和自适应模块构建初始故障诊断模型，其中，所述自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，所述初始故障诊断模型的损失函数是由所述分类损失子函数、所述域间差异损失子函数和类间差异损失子函数确定的。
4.根据权利要求3所述的方法，其特征在于，在将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：
获取辅助状态数据、所述辅助状态数据对应的真实故障类型以及所述待检测屏蔽门的目标状态数据；
确定所述辅助状态数据对应的辅助状态特征以及所述目标状态数据对应的目标状态特征；
根据所述辅助状态特征、所述辅助状态特征对应的真实故障类型以及所述目标状态特征，确定所述目标状态特征对应的模拟故障类型；
将所述辅助状态特征、所述辅助状态特征对应的真实故障类型、所述目标状态特征和所述目标状态特征对应的模拟故障类型作为训练数据输入所述初始故障诊断模型，对所述初始故障诊断模型进行模型训练，并计算损失函数；
基于前向传播算法和所述损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到所述训练好的故障诊断模型。
5.根据权利要求4所述的方法，其特征在于，所述计算损失函数，包括：
在所述初始故障诊断模型的分类模块中，基于分类损失子函数确定所述辅助状态特征的特征数据对应的训练故障类型，根据所述辅助状态特征的特征数据对应的真实故障类型和训练故障类型计算分类损失值；
在所述初始故障诊断模型的自适应模块中，基于域间差异损失子函数确定所述辅助状态特征的特征数据和所述目标状态特征的特征数据的域间差异损失值；
在所述初始故障诊断模型的自适应模块中，基于类间差异损失子函数确定所述辅助状态特征的特征数据和所述辅助状态特征的特征数据对应的真实故障类型、所述目标状态特征的特征数据和所述目标状态特征的特征数据对应的模拟故障类型的类间差异损失值；
基于损失系数、所述分类损失值、所述域间差异损失值和所述类间差异损失值确定所述损失函数的损失值。
6.根据权利要求4所述的方法，其特征在于，根据所述辅助状态特征、所述辅助状态特征对应的真实故障类型以及所述目标状态特征，确定所述目标状态特征对应的模拟故障类型，包括：
将所述辅助状态特征划分为N+1组辅助状态特征集合，其中，N为正整数，表示故障类型的数量；
对所述目标状态特征进行聚类，将所述目标状态特征划分为N+1组目标状态特征集合；
确定所述目标状态特征所属的目标状态特征集合，并根据所述目标状态特征所属的目标状态特征集合与各所述辅助状态特征集合之间的相似度和各所述辅助状态特征集合对应的真实故障类型，确定所述目标状态特征对应的模拟故障类型。
7.根据权利要求4所述的方法，其特征在于，基于前向传播算法和所述损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到所述训练好的故障诊断模型，包括：
在确定所述模型迭代次数不满足预设迭代条件时，基于模型优化得到的中间故障诊断模型中的特征提取模块和分类模块确定所述目标状态特征对应的更新故障类型；
基于所述辅助状态特征、所述辅助状态特征对应的真实故障类型、所述目标状态特征和所述目标状态特征对应的更新故障类型对所述中间故障诊断模型进行训练。
8.一种故障诊断装置，其特征在于，包括：
获取模块，用于确定待检测屏蔽门的状态特征；
确定模块，用于将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使所述预先训练好的故障诊断模型确定所述状态特征的特征数据，并对所述特征数据进行分类，得到分类结果；
执行模块，用于根据所述分类结果确定故障诊断结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一所述的故障诊断方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1至7中任一所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390979.7A CN116380438A (zh) | 2023-04-12 | 2023-04-12 | 一种故障诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390979.7A CN116380438A (zh) | 2023-04-12 | 2023-04-12 | 一种故障诊断方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116380438A true CN116380438A (zh) | 2023-07-04 |
Family
ID=86967323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310390979.7A Pending CN116380438A (zh) | 2023-04-12 | 2023-04-12 | 一种故障诊断方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116380438A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117152114A (zh) * | 2023-09-21 | 2023-12-01 | 创远亿德(天津)集团有限公司 | 一种电机生产检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-12 CN CN202310390979.7A patent/CN116380438A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152114A (zh) * | 2023-09-21 | 2023-12-01 | 创远亿德(天津)集团有限公司 | 一种电机生产检测方法、装置、电子设备及存储介质 |
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021155706A1 (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN116380438A (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
| CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
| CN108519971B (zh) | 一种基于平行语料库的跨语种新闻主题相似性对比方法 | |
| CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN112465001B (zh) | 一种基于逻辑回归的分类方法及装置 | |
| CN113590807B (zh) | 一种基于大数据挖掘的科技企业信用评价方法 | |
| CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
| CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
| CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
| CN113674862A (zh) | 一种基于机器学习的急性肾功能损伤发病预测方法 | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
| CN117034090A (zh) | 模型参数调整、模型应用方法、装置、设备及介质 | |
| CN114925938A (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
| CN115659244A (zh) | 故障预测方法、装置及存储介质 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN113591998A (zh) | 分类模型的训练和使用方法、装置、设备以及存储介质 | |
| CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
| CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
| CN117218472A (zh) | 图像分类模型训练方法、图像分类方法及相关装置 | |
| CN116739650A (zh) | 行为数据预测模型的更新方法、装置、设备及存储介质 |
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 |