CN116429406B - 大型机械设备故障诊断模型的构建方法及装置 - Google Patents

大型机械设备故障诊断模型的构建方法及装置 Download PDF

Info

Publication number
CN116429406B
CN116429406B CN202310702220.8A CN202310702220A CN116429406B CN 116429406 B CN116429406 B CN 116429406B CN 202310702220 A CN202310702220 A CN 202310702220A CN 116429406 B CN116429406 B CN 116429406B
Authority
CN
China
Prior art keywords
data
target
fault diagnosis
preset
model
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
Application number
CN202310702220.8A
Other languages
English (en)
Other versions
CN116429406A (zh
Inventor
尹旭
马兵
张烁
续敏
王玉石
朱运恒
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.)
Shandong Energy Shuzhiyun Technology Co ltd
Original Assignee
Shandong Energy Shuzhiyun Technology Co ltd
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 Shandong Energy Shuzhiyun Technology Co ltd filed Critical Shandong Energy Shuzhiyun Technology Co ltd
Priority to CN202310702220.8A priority Critical patent/CN116429406B/zh
Publication of CN116429406A publication Critical patent/CN116429406A/zh
Application granted granted Critical
Publication of CN116429406B publication Critical patent/CN116429406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/21—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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种大型机械设备故障诊断模型的构建方法及装置，涉及设备故障诊断技术领域，包括：获取预先采集的信号数据集；使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型，以对目标设备进行故障诊断。本发明引入多目标优化思想，通过权衡特征子集的准确性和多样性来进行特征选择，可以使选择的特征参数更准确。且引入对抗训练机制，可以在一定程度上提高模型对抗攻击的鲁棒性，提高算法的可靠性和实用性，进而保证设备故障诊断的识别精度。

Description

大型机械设备故障诊断模型的构建方法及装置
技术领域
本发明涉及设备故障诊断技术领域，尤其涉及一种大型机械设备故障诊断模型的构建方法及装置。
背景技术
随着科技的发展和制造工艺的进步，煤矿中的大型机械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，要使煤矿大型机械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。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。目前，基于模型的故障诊断方法最先发展起来。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。
基于信号处理的方法不需要精确的数学模型，回避了基于模型的故障诊断方法的难点，而是基于待测对象的信号模型，分析测得的信号数据提取特征信号值，根据特征值是否异常来判断待测对象是否发生故障，该方法基本不依赖于待测对象的模型，既适用于线性系统又可适用非线性系统，但是它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。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。
基于此，现有技术存在以下技术问题：（1）现有的许多方法难以对设备故障数据进行高效的特征选择与提取，导致算法难以进行精准识别与分类。（2）利用深度学习或神经网络进行设备故障识别时，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。（3）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大型机械设备故障诊断模型的构建方法及装置，能够保证设备故障诊断的识别精度。
第一方面，本发明实施例提供了一种大型机械设备故障诊断模型的构建方法，该大型机械设备故障诊断模型的构建方法包括：获取预先采集的信号数据集；信号数据集包括多种数据，多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数；使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；将目标数据输入至预设的初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断；目标数据对应的对抗样本通过预设的对抗样本生成算法生成。
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，使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据的步骤，包括：基于信号数据集的每种数据的每个特征参数，生成对应于当前数据的二进制串个体；二进制串个体中包含当前数据的每个特征参数对应的特征元素，特征参数对应的特征元素包括0和1中的任意一种；确定每个二进制串个体对应的适应度值；对二进制串个体进行迭代处理，并对迭代处理的二进制串个体执行确定每个二进制串个体对应的适应度值的步骤；当适应度值满足预设的迭代条件时，将特征元素指示为1的特征参数确定为目标特征参数，得到包括目标特征参数的目标数据。
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，对二进制串个体进行迭代处理的步骤，包括：特征元素选择、特征元素交换和特征元素取反；特征元素选择的步骤包括：基于预设的特征元素数量，从二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体；特征元素交换的步骤，包括：从二进制串个体中选择连续的多个特征元素，得到目标个体段；将目标个体段与预设的数据对应的二进制串个体的目标个体段进行交换，得到交换个体；其中，交换个体中的特征元素的数量在预设的特征元素数量阈值内；预设的数据为从信号数据集中选择的其中一个数据；特征元素取反的步骤，包括：对二进制串个体中预设的特征元素进行取反处理，得到取反个体；其中，取反个体中的特征元素的数量在预设的特征元素数量阈值内。
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，基于预设的特征元素数量，从二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体的步骤，包括：采用快速非支配排序算法确定特征元素对应的非支配解；根据非支配解对应的排序结果，保留满足特征元素数量时的多个目标特征元素；基于多个目标特征元素得到目标二进制串个体。
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，通过下述公式确定每个二进制串个体对应的适应度值：
其中，为二进制串个体对应的分类误差，/>为二进制串个体中的特征元素指示的总特征数量；/>表示预设的二进制串个体/>中当前特征元素指示为1的特征数量；/>为预设的特征元素数量阈值；/>为惩罚系数，/>为二进制串个体/>对应的惩罚项，用于调整对应的适应度值。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，将目标数据输入至初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练的步骤，包括：将目标数据输入至初始分类模型中；根据预设的损失函数确定目标数据对应的损失值；其中，损失函数包括：
其中，为目标数据对应的输入权重矩阵，/>为目标数据对应的输入特征矩阵；为目标数据对应的输出权重矩阵，/>为目标数据对应的输出矩阵；/>为预设的正则化系数；/>为隐含层偏置向量；/>为隐含层的激活函数；基于预设的扰动大小，以及，损失函数对目标数据的梯度确定目标数据对应的对抗样本，并根据对抗样本和目标数据进行对抗训练，更新目标数据对应的损失值；直到损失值满足预设的损失阈值，得到设备故障诊断模型。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该方法还包括：通过多个预设的参考诊断模型对信号数据集进行分类，得到参考分类结果；确定设备故障诊断模型的分类结果对应的置信度分数和可信度分数，以及多个参考诊断模型的参考分类结果对应的参考置信度分数和参考可信度分数；根据置信度分数和可信度分数，确定设备故障诊断模型对应的第一校验分数；以及，根据参考置信度分数和参考可信度分数，确定多个参考诊断模型对应的第二校验分数；根据第一校验分数和第二校验分数对应的校验分数均值对设备故障诊断模型进行模型校验，并在校验分数均值满足预设的分均值阈值时，得到校验后的设备故障诊断模型。
第二方面，本发明实施例还提供一种大型机械设备故障诊断方法，该大型机械设备故障诊断方法包括：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大型机械设备故障诊断模型的构建方法构建得到；基于识别结果对目标设备进行故障诊断。
第三方面，本发明实施例还提供一种大型机械设备故障诊断模型的构建装置，该大型机械设备故障诊断模型的构建装置包括：数据获取模块，用于获取预先采集的信号数据集；信号数据集包括多种数据，多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数；特征选择模块，用于使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；模型构建模块，用于将目标数据输入至预设的初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断；目标数据对应的对抗样本通过预设的对抗样本生成算法生成。
第四方面，本发明实施例还提供一种大型机械设备故障诊断装置，该大型机械设备故障诊断装置包括：数据采集模块，获取目标设备的待测数据；执行模块，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大型机械设备故障诊断模型的构建方法构建得到；数据处理模块，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：本发明提供的一种大型机械设备故障诊断模型的构建方法及装置，包括：获取预先采集的信号数据集；信号数据集包括多种数据，多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；将目标数据输入至预设的初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型。其中，引入了多目标优化的思想，通过权衡特征子集的准确性和多样性来进行特征选择。而且，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，引入对抗训练机制，可以在一定程度上提高模型对抗攻击的鲁棒性，从而提高算法的可靠性和实用性。从而使所用数据的质量可以得到保证，以准确进行设备故障诊断。
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大型机械设备故障诊断模型的构建方法的流程图；
图2为本发明实施例提供的另一种大型机械设备故障诊断模型的构建方法的流程图；
图3为本发明实施例提供的一种大型机械设备故障诊断方法的流程图；
图4为本发明实施例提供的一种大型机械设备故障诊断模型的构建装置的结构示意图；
图5为本发明实施例提供的另一种大型机械设备故障诊断模型的构建装置的结构示意图；
图6为本发明实施例提供的一种大型机械设备故障诊断装置的结构示意图；
图7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大型机械设备故障诊断模型的构建方法及装置，能够保证设备故障诊断的识别精度。
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大型机械设备故障诊断模型的构建方法进行详细介绍，图1示出了本发明实施例提供的一种大型机械设备故障诊断模型的构建方法的流程图，如图1所示，该大型机械设备故障诊断模型的构建方法包括以下步骤：
步骤S102，获取预先采集的信号数据集。
步骤S104，使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据。
步骤S106，将目标数据输入至预设的初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型。
具体地，本发明实施例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，设备故障诊断模型用于对目标设备进行故障诊断。其中，信号数据集包括多种数据，多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数。
在具体实现时，本发明选用的信号数据集可以由煤矿大型机械设备采煤机的历史故障数据组成，该信号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，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包括个特征参数进行表示，包括设备输出电压、输出电流、输入电流等参数。采集到设备数据后，采用人工标注的方式进行数据标注，用于后续数据处理和模型训练。
其中，信号数据集中的所有数据和特征参数（正常状态和故障状态的数据，以及各个数据包括的特征参数）不一定均能够用于准确判定目标设备的故障诊断结果，故，本发明实施例使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，选择出目标特征参数，得到包括目标特征参数的目标数据，并将目标数据输入至初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型。目标数据对应的对抗样本通过预设的对抗样本生成算法生成。
传统的特征选择算法大多基于单目标优化，而本算法引入了多目标优化的思想，通过权衡特征子集的准确性和多样性来进行特征选择。而且，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，引入对抗训练机制，可以在一定程度上提高模型对抗攻击的鲁棒性，从而提高算法的可靠性和实用性。从而使所用数据的质量可以得到保证，以准确进行设备故障诊断。
为了便于理解，在上述实施例的基础上，本发明实施例还提供了另一种大型机械设备故障诊断模型的构建方法，图2示出了本发明实施例提供的另一种大型机械设备故障诊断模型的构建方法的流程图，如图2所示，该大型机械设备故障诊断模型的构建方法包括以下步骤：
步骤S202，获取预先采集的信号数据集。
步骤S204，基于信号数据集的每种数据的每个特征参数，生成对应于当前数据的二进制串个体。
在具体实现时，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。其中，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，如果是数值特征的话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；如果是非数值特征的话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。对于错误值，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。然后，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，、/>别表示同数据样本中的最小值和最大值，/>表示输入的数据，表示归一化后的数据。
进一步的，对于上述预处理后的数据，本发明实施例提出一种基于演化算法的多目标优化算法，能够对设备故障数据进行特征选择。首先，本发明实施例对预处理后的上述信号数据集进行初始化操作。其中，以上述信号数据集的每种数据有m个特征参数进行说明，将每个特征参数视为一条染色体，即构建一个长度为m的二进制串，该二进制串即为该数据对应的二进制串个体。
其中，二进制串个体中包含当前数据的每个特征参数对应的特征元素，特征参数对应的特征元素包括0和1中的任意一种。具体的，二进制串个体中的特征元素分别代表对应的特征参数存在或不存在，若特征参数存在，则该特征元素为1，若不存在，则该特征元素为0。
其中，每个二进制串个体中的特征元素为0或为1是随机生成的。生成每种数据的二进制串个体后，所有二进制串个体为信号数据集对应的初始种群，对应的，该初始种群大小为N。
进一步地，步骤S204-S210为使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据的具体步骤，特征选择的过程在于选择出有用的特征参数，筛选掉一些作用不大的特征。基于此，本发明实施例通过不断迭代，直到得到最后的染色体，再根据最后的染色体来确定保留哪些特征。如：最后得到染色体为001110，那么就保留第3、4、5个特征参数，删去其他特征。迭代的过程参照下述步骤S206-S210。
步骤S206，确定每个二进制串个体对应的适应度值。
步骤S208，对二进制串个体进行迭代处理，并对迭代处理的二进制串个体执行确定每个二进制串个体对应的适应度值的步骤。
在具体实现时，需要计算每个二进制串个体的适应度，其中，采用多目标适应度函数来评估每个二进制串个体。具体的，通过下述公式确定每个二进制串个体对应的适应度值：
其中，为二进制串个体对应的分类误差，/>为二进制串个体中的特征元素指示的总特征数量；/>表示预设的二进制串个体/>中当前特征元素指示为1的特征数量。在具体实现时，当特征元素为1时，则表示该特征元素对应的特征参数被选中，即/>表示二进制串个体i中选中的特征数量。
上述公式中，为预设的特征元素数量阈值，特征元素数量阈值表示要筛选的特征参数不得多于k个，也即，k是预设的最大特征数量，特征元素数量阈值k的具体数值可以根据需求人为设定。/>为惩罚系数，/>为二进制串个体/>对应的惩罚项，用于调整对应的适应度值。
通过上述公式确定适应度值后，还需要将特征选择问题转化为两个目标：目标1：最小化分类误差；目标2：最小化选择的特征数量。也即，使用最少的特征来做最精确的分类。对应的，则对二进制串个体进行迭代处理，并确定每个迭代后的二进制串个体对应的适应度值。
具体的，对二进制串个体进行迭代处理的步骤，包括：特征元素选择、特征元素交换和特征元素取反。
在具体实现时，特征元素选择的步骤包括：基于预设的特征元素数量，从二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体。具体的，本发明实施例可以采用快速非支配排序算法确定特征元素对应的非支配解；根据非支配解对应的排序结果，保留满足特征元素数量时的多个目标特征元素；基于多个目标特征元素得到目标二进制串个体。在具体实现时，本发明实施例可以采用快速非支配排序算法进行多目标优化选择，保留前N/2个非支配解。也即，N/2为上述预设的特征元素数量，前N/2个非支配解为选择的目标特征元素，确定目标特征元素后的二进制串个体为上述目标二进制串个体。
特征元素交换的步骤，包括：从二进制串个体中选择连续的多个特征元素，得到目标个体段；将目标个体段与预设的数据对应的二进制串个体的目标个体段进行交换，得到交换个体。其中，交换个体中的特征元素的数量在预设的特征元素数量阈值内；预设的数据为从信号数据集中选择的其中一个数据。
在具体实现时，本发明实施例对二进制串个体进行交叉操作，其中，可以采用基于二进制划分的交叉算子，对信号数据集中任意两个数据分别对应的二进制串个体进行交叉处理。对于其中一个数据而言，另一个数据为上述预设的数据。具体的，以其中一个数据对应二进制串个体i，另一个数据对应二进制串个体j进行说明。将二进制串个体i和二进制串个体j中的某段连续二进制串进行交换，得到对应的交换个体。二进制串个体i和二进制串个体j分别对应信号数据集中的一个数据，其中，交换的两段二进制串的长度可能不同，只要交换后的两个新的交换个体的特征参数数量小于等于k即可。k为上述预设的特征元素数量阈值。其中，连续二进制串的交换概率为pc。pc为人为设置的超参数。
特征元素取反的步骤，包括：对二进制串个体中预设的特征元素进行取反处理，得到取反个体。其中，取反个体中的特征元素的数量在预设的特征元素数量阈值内。
在具体实现时，本发明实施例采用基于二进制划分的变异算子，其中，将二进制串个体i中的某个二进制串取反，如，将原先为0的特征元素取反为1，将原先为1的特征元素取反为0，以对二进制串个体进行变异操作，其中，变异后的新二进制串个体须满足特征数量小于等于k，k为上述预设的特征元素数量阈值，对应的，特征元素取反的概率为pm。pm为人为设置的超参数。
其中，本发明实施例对二进制串个体进行特征元素选择、特征元素交换和特征元素取反的顺序不做限制，只要按照对应的概率对二进制串个体进行处理即可。在对二进制串个体经过特征元素选择、特征元素交换和特征元素取反各个操作后，得到迭代处理的二进制串个体，之后，将迭代处理的二进制串个体与当前种群中的二进制个体合并，组成新的种群，如，原先种群中包括10个二进制串个体，迭代处理的二进制串个体有3个，则新的种群包括13个二进制串个体。进一步地，本发明实施例保留新的种群中的前N个二进制串个体。
在每次迭代处理后都会计算适应度值，当种群中的二进制串个体变化后，对应的适应度值也会改变，迭代是朝着最优解的方向进行迭代的，故，对应的适应度函数也是随着迭代不断得到更优解。
步骤S210，当适应度值满足预设的迭代条件时，将特征元素指示为1的特征参数确定为目标特征参数，得到包括目标特征参数的目标数据。
其中，本发明实施例重复执行上述步骤（也即计算适应度值、特征元素选择、特征元素交换、特征元素取反，以及二进制串个体合并，以组成新的种群），直到满足停止条件。具体地，停止条件包括：达到最大迭代次数，或者种群适应度值不再改变，或者达到预先设定的目标值等。这些停止条件分别可以是上述预设的迭代条件。其中，当随着迭代的增加，适应度函数值不变化时，说明当前达到最优解，可以不再继续迭代。
在迭代处理过程结束后，本发明实施例可以根据每个特征参数被选择的次数来评估其重要性。被选择的次数可以通过其特征元素为1的次数表示，被选择次数越多，说明该特征参数在特征选择过程中的重要性越高。对应的，当迭代处理结束时，当前特征元素为1，则表示该特征元素对应的特征参数被选择，此时，本发明实施例将特征元素指示为1的特征参数确定为所选择的目标特征参数，包括该目标特征参数的数据即为上述目标数据。
其中，本发明实施例在确定目标特征参数时，所使用的算法的创新点主要在于利用多目标优化算法与演化算法相结合，采用多目标适应度函数和基于适应度值的轮盘赌选择算子（二进制串个体）来实现特征选择。同时，采用特征重要性评估来评估特征的重要性，从而为特征选择提供更准确的结果。该过程的创新性改进体现在以下几个方面：1）结合了演化算法和多目标优化算法：传统的特征选择算法大多基于单目标优化，而本算法引入了多目标优化的思想，通过权衡特征子集的准确性和多样性来进行特征选择。2）引入了惩罚项：本算法引入了惩罚项来约束搜索空间，防止过度拟合，提高了模型的泛化性能。3）应用于设备故障数据的特征选择：本算法的应用场景为设备故障数据的特征选择，具有一定的实用价值和现实意义。
具体地，一般的多目标优化是没有惩罚项的，因此，通常容易过拟合，本发明实施例通过加入合适的惩罚项可以防止过度拟合的情况，提高模型的泛化性能。而且，本发明实施例通过多目标优化算法，让染色体（二进制串个体）种群进行迭代、更新，最终判断哪些特征被染色体选择的次数最多，进而保留这些有用的特征，删除掉作用较小的或者无用的特征。
步骤S212，将目标数据输入至初始分类模型中。
步骤S214，根据预设的损失函数确定目标数据对应的损失值。
具体地，上述初始分类模型为极限学习机分类算法模型，本发明实施例基于对抗机制构建极限学习机分类算法模型，其中，本发明实施例提出一种基于对抗机制的极限学习机分类算法，与传统极限学习机算法不同的是，本算法使用了带正则项的目标函数来优化隐含层的节点数，并且引入了对抗训练机制，使得算法能够更具有鲁棒性。其中，本算法的优化目标是最小化带正则项的损失函数，正则项的作用是惩罚过度拟合。而对抗训练机制则是在训练过程中，通过对原始样本加入一定程度的扰动，生成对抗样本，并将对抗样本与原始样本一起用于训练，从而提高算法的鲁棒性和泛化能力。
其中，经过步骤S204-S210得到的目标数据的数量有N个，每个样本由个特征描述，设/>为输入特征矩阵，/>为输出矩阵，/>为类别数。其中，信号数据集包含的正常运行状态和非正常运行状态的种类数为该类别数c。具体地，本算法的目标是学习一个隐含层节点数为/>的神经网络，K为神经网络的神经元的数量，隐含层的激活函数为，输出层采用恒等映射。
具体地，极限学习机算法中的权重矩阵是通过随机生成的输入权重矩阵/>和隐含层偏置向量/>计算得到的，即/>。本算法的改进在于通过优化隐含层节点数/>来提高算法的鲁棒性和泛化能力。
在具体实现时，将优化目标设置为以下的带正则项的损失函数：
其中，为目标数据对应的输入权重矩阵，/>为目标数据对应的输入特征矩阵；为目标数据对应的输出权重矩阵，/>为目标数据对应的输出矩阵；/>为预设的正则化系数；/>为隐含层偏置向量；/>为隐含层的激活函数。
其中，通过上述损失函数可以计算出目标数据对应的损失值。
步骤S216，基于预设的扰动大小，以及，损失函数对目标数据的梯度确定目标数据对应的对抗样本，并根据对抗样本和目标数据进行对抗训练，更新目标数据对应的损失值。
步骤S218，直到损失值满足预设的损失阈值，得到设备故障诊断模型。
在具体实现时，对于上述优化问题，本发明实施例可以使用最小二乘法或正则化最小二乘法来求解，在求解过程中，隐含层节点数K是一个关键的参数，需要进行调整来优化算法的性能。
此外，本发明实施例引入对抗训练机制。在训练过程中，使用对抗样本进行迭代更新。在每次训练时，生成对抗样本并将其添加到训练数据（也即输入至初始分类模型中的目标数据对应的信号数据集）中，从而提高模型对抗攻击的鲁棒性。对抗样本的生成过程可以使用一些经典的对抗样本生成算法，如Fast Gradient Sign Method(FGSM)或ProjectedGradient Descent(PGD)等。
在具体实现时，对抗训练的目标函数可以用以下公式表示：
其中，L( )是均方根误差损失函数，f( )是模型输出标签，n是进行对抗训练的样本数量，是原始样本（也即原始的目标数据），/>是样本标签，/>是权重矩阵，/>是对抗扰动，该对抗扰动为目标数据的对抗样本，其中，对抗样本基于预设的扰动大小/>和损失函数对目标数据的梯度/>确定。
在具体实现时，对抗扰动（对抗样本）的生成可以使用以下公式：
其中，是扰动大小，/>是符号函数，/>是损失函数对输入的目标数据的梯度，包括+、-和0。
在每次训练迭代中，本发明实施例根据当前的权重矩阵和训练样本（目标数据）生成对抗扰动/>（对抗样本），并将包括对抗样本的数据/>加入训练集（包括目标数据的信号数据集）进行模型更新。
在训练集更新后，通过上述损失函数计算更新的损失值，直到损失值满足预设的损失阈值，可以表示模型训练达到预期效果，完成模型训练，即得到设备故障诊断模型。其中，本发明实施例通过引入对抗训练机制，可以在一定程度上提高模型对抗攻击的鲁棒性，从而提高算法的可靠性和实用性。对应的，可以利用训练好的模型进行设备故障识别。
进一步地，本发明实施例还提出了一种创新性的分类结果校验算法，该算法可以检验利用机器学习模型对设备故障数据进行分类的结果是否正确。其中，该算法主要基于置信度分数和可信度分数，并采用集成学习的方法来进一步提高校验的准确性。
在具体实现时，本发明实施例通过多个预设的参考诊断模型对信号数据集进行分类，得到参考分类结果；确定设备故障诊断模型的分类结果对应的置信度分数和可信度分数，以及多个参考诊断模型的参考分类结果对应的参考置信度分数和参考可信度分数。之后根据置信度分数和可信度分数，确定设备故障诊断模型对应的第一校验分数；以及，根据参考置信度分数和参考可信度分数，确定多个参考诊断模型对应的第二校验分数。最后根据第一校验分数和第二校验分数对应的校验分数均值对设备故障诊断模型进行模型校验，并在校验分数均值满足预设的分均值阈值时，得到校验后的设备故障诊断模型。
具体的，本发明实施例可以确定设备故障诊断模型的分类结果对应的置信度分数和可信度分数，之后计算校验分数。为了进一步提高校验的准确性，本发明采用了集成学习的方法，将多个基于对抗机制的极限学习机模型的输出结果进行结合。也即，利用多个参考诊断模型对信号数据集进行分类，得到参考分类结果。之后计算参考分类结果的置信度分数和可信度分数，之后计算对应的校验分数。
上述参考诊断模型可以理解为现有技术中的分类模型，利用现有的分类模型的分类结果对本发明实施例的设备故障诊断模型的分类结果进行验证。在具体实现时，上述参考诊断模型为基于对抗机制的极限学习机模型。为了便于区分，设备故障诊断模型的校验分数为第一校验分数，多个参考诊断模型的校验分数分别为第二校验分数。
在具体实现时，在通过基于对抗机制的极限学习机模型对设备故障数据进行分类时，可以获得每个样本的置信度分数，表示分类结果的置信程度。其中，定义为机器学习模型输出的分类结果，/>表示/>的置信度分数，即：
其中表示模型输出样本/>属于第/>类的概率。
接着，引入可信度分数，表示分类结果的可信度。可信度分数是一个综合考虑置信度分数、样本分布和分类器预测误差的指标。假设样本的真实标签是/>，则可信度分数可以表示为：
其中表示在给定真实标签/>的情况下，分类结果为/>的概率，/>表示样本/>属于标签/>的先验概率，/>表示分类器预测误差，/>是一个超参数，用于调节分类器预测误差对可信度分数的影响。
最后，将可信度分数和置信度分数进行结合，得到最终的校验分数：
其中是一个超参数，用于调节置信度分数和可信度分数的相对权重。
具体地，本发明实施例训练多个不同的基于对抗机制的极限学习机模型，分别对设备故障数据进行分类，通过上述方法计算分别对应的参考置信度分数和参考可信度分数，并计算每个样本的第二校验分数。其中，可以将多个模型的校验分数（第一校验分数和第二校验分数）进行平均，得到最终的校验结果，也即上述校验分数均值。在校验分数均值满足分均值阈值时，设备故障诊断模型校验完成。
进一步地，可以通过多个参考诊断模型分别对应的第二校验分数和设备故障诊断模型的第一校验分数的校验分数均值，与第一校验分数进行比较，当第一校验分数大于该校验分数均值，则表示设备故障诊断模型校验通过。其中，本发明实施例的上述集成方法可以有效减少单个分类器的误差，提高校验的准确性。
进一步地，对分类结果的验证过程可以在设备故障诊断模型的训练阶段校验，也可以在对设备故障数据诊断时，利用上述验证方案校验分类结果，按照校验分数的均值确定分类结果即可，以减少分类误差。
本发明实施例提供的另一种大型机械设备故障诊断模型的构建方法，采集到设备数据得到信号数据集后，采用人工标注的方式进行数据标注，用于后续数据处理和模型训练。然后，进行数据预处理操作，对于冗余值、缺失值、错误值分别采取不同的方式进行处理，并进行归一化操作。之后，在特征选择阶段提出的基于进化算法的多目标优化算法进行数据的特征选择方法，该方法利用多目标优化算法与演化算法相结合，采用多目标适应度函数和基于适应度值的轮盘赌选择算子来实现特征选择；同时，采用特征重要性评估来评估特征的重要性，从而为特征选择提供更准确的结果。
此外，提出基于对抗机制的极限学习机分类算法模型构建方法，与传统极限学习机算法不同的是，本算法使用了带正则项的目标函数来优化隐含层的节点数，并且引入了对抗训练机制，使得算法能够更具有鲁棒性。然后，利用训练样本对算法模型进行训练，模型训练达到预期效果后，利用训练好的模型进行设备故障识别。进一步地，还提出一种基于置信度分数和可信度分数的设备故障诊断结果校验方法，并采用集成学习的方法来进一步提高校验的准确性。
综上，通过本发明实施例所提出的大型机械设备故障诊断模型的构建方法，能够有效提高设备故障诊断任务中设备故障的识别精度；同时，本发明实施例的特征选择阶段对应的方法可以提高数据特征质量，防止过度拟合，提高了模型的泛化性能；同时，提出的基于对抗机制的极限学习机分类算法模型构建方法，能够有效提高算法的鲁棒性，进一步提高了分类精度；进一步地，提出的一种基于置信度分数和可信度分数的设备故障诊断结果校验方法，能够对设备故障诊断结果进行校验，进一步提高了分类精度。故，本发明实施例可以有效保证设备故障诊断的识别精度。
进一步地，在上述方法实施例的基础上，本发明实施例还提供一种大型机械设备故障诊断方法，图3示出了本发明实施例提供的一种大型机械设备故障诊断方法的流程图，如图3所示，该大型机械设备故障诊断方法包括以下步骤：
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。
其中，设备故障诊断模型为基于上述大型机械设备故障诊断模型的构建方法构建得到；
步骤S306，基于识别结果对目标设备进行故障诊断。
本发明实施例提供的一种大型机械设备故障诊断方法，与上述实施例提供的一种大型机械设备故障诊断模型的构建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，在上述方法实施例的基础上，本发明实施例还提供一种大型机械设备故障诊断模型的构建装置，图4示出了本发明实施例提供的一种大型机械设备故障诊断模型的构建装置的结构示意图，如图4所示，该大型机械设备故障诊断模型的构建装置包括：
数据获取模块100，用于获取预先采集的信号数据集；信号数据集包括多种数据，多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数；
特征选择模块200，用于使用预设的多目标优化算法对信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；
模型构建模块300，用于将目标数据输入至预设的初始分类模型中，通过目标数据和目标数据对应的对抗样本对初始分类模型进行模型训练，构建设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断；目标数据对应的对抗样本通过预设的对抗样本生成算法生成。
本发明实施例提供的一种大型机械设备故障诊断模型的构建装置，与上述实施例提供的一种大型机械设备故障诊断模型的构建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，本发明实施例还提供另一种大型机械设备故障诊断模型的构建装置，图5示出了本发明实施例提供的另一种大型机械设备故障诊断模型的构建装置的结构示意图，如图5所示，上述特征选择模块200，还用于基于信号数据集的每种数据的每个特征参数，生成对应于当前数据的二进制串个体；二进制串个体中包含当前数据的每个特征参数对应的特征元素，特征参数对应的特征元素包括0和1中的任意一种；确定每个二进制串个体对应的适应度值；对二进制串个体进行迭代处理，并对迭代处理的二进制串个体执行确定每个二进制串个体对应的适应度值的步骤；当适应度值满足预设的迭代条件时，将特征元素指示为1的特征参数确定为目标特征参数，得到包括目标特征参数的目标数据。
其中，特征选择模块200，还用于执行对二进制串个体进行迭代处理的步骤，对二进制串个体进行迭代处理的步骤包括：特征元素选择、特征元素交换和特征元素取反；特征元素选择的步骤包括：基于预设的特征元素数量，从二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体；特征元素交换的步骤，包括：从二进制串个体中选择连续的多个特征元素，得到目标个体段；将目标个体段与预设的数据对应的二进制串个体的目标个体段进行交换，得到交换个体；其中，交换个体中的特征元素的数量在预设的特征元素数量阈值内；预设的数据为从信号数据集中选择的其中一个数据；特征元素取反的步骤，包括：对二进制串个体中预设的特征元素进行取反处理，得到取反个体；其中，取反个体中的特征元素的数量在预设的特征元素数量阈值内。
特征选择模块200，还用于采用快速非支配排序算法确定特征元素对应的非支配解；根据非支配解对应的排序结果，保留满足特征元素数量时的多个目标特征元素；基于多个目标特征元素得到目标二进制串个体。
其中，通过下述公式确定每个二进制串个体对应的适应度值：
其中，为二进制串个体对应的分类误差，/>为二进制串个体中的特征元素指示的总特征数量；/>表示预设的二进制串个体/>中当前特征元素指示为1的特征数量；/>为预设的特征元素数量阈值；/>为惩罚系数，/>为二进制串个体/>对应的惩罚项，用于调整对应的适应度值。
模型构建模块300，还用于将目标数据输入至初始分类模型中；根据预设的损失函数确定目标数据对应的损失值；其中，损失函数包括：
其中，为目标数据对应的输入权重矩阵，/>为目标数据对应的输入特征矩阵；为目标数据对应的输出权重矩阵，/>为目标数据对应的输出矩阵；/>为预设的正则化系数；/>为隐含层偏置向量；/>为隐含层的激活函数；基于预设的扰动大小，以及，损失函数对目标数据的梯度确定目标数据对应的对抗样本，并根据对抗样本和目标数据进行对抗训练，更新目标数据对应的损失值；直到损失值满足预设的损失阈值，得到设备故障诊断模型。
进一步地，设备故障诊断模型的构建装置还包括校验模块400，用于通过多个预设的参考诊断模型对信号数据集进行分类，得到参考分类结果；确定设备故障诊断模型的分类结果对应的置信度分数和可信度分数，以及多个参考诊断模型的参考分类结果对应的参考置信度分数和参考可信度分数；根据置信度分数和可信度分数，确定设备故障诊断模型对应的第一校验分数；以及，根据参考置信度分数和参考可信度分数，确定多个参考诊断模型对应的第二校验分数；根据第一校验分数和第二校验分数对应的校验分数均值对设备故障诊断模型进行模型校验，并在校验分数均值满足预设的分均值阈值时，得到校验后的设备故障诊断模型。
进一步地，在上述方法实施例的基础上，本发明实施例还提供一种大型机械设备故障诊断装置，图6示出了本发明实施例提供的一种大型机械设备故障诊断装置的结构示意图，如图6所示，该大型机械设备故障诊断装置包括：
数据采集模块10，获取目标设备的待测数据。
执行模块20，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大型机械设备故障诊断模型的构建方法构建得到；
数据处理模块30，基于识别结果对目标设备进行故障诊断。
本发明实施例提供的一种大型机械设备故障诊断装置，与上述实施例提供的一种大型机械设备故障诊断模型的构建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。
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3所示的方法的步骤。
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3所示的方法的步骤。
本发明实施例还提供了一种电子设备的结构示意图，如图7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71和存储器70，该存储器70存储有能够被该处理器71执行的计算机可执行指令，该处理器71执行该计算机可执行指令以实现上述图1至图3所示的方法。
在图7示出的实施方式中，该电子设备还包括总线72和通信接口73，其中，处理器71、通信接口73和存储器70通过总线72连接。
其中，存储器70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73（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72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72可以分为地址总线、数据总线、控制总线等。为便于表示，图7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71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71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71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71读取存储器中的信息，结合其硬件完成前述图1至图3任一所示的方法。
本发明实施例所提供的一种大型机械设备故障诊断模型的构建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)

1.一种大型机械设备故障诊断模型的构建方法，其特征在于，所述大型机械设备故障诊断模型的构建方法包括：
获取预先采集的信号数据集；所述信号数据集包括多种数据，所述多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数；
使用预设的多目标优化算法对所述信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；
将所述目标数据输入至预设的初始分类模型中，通过所述目标数据和所述目标数据对应的对抗样本对所述初始分类模型进行模型训练，构建设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
所述目标数据对应的对抗样本通过预设的对抗样本生成算法生成；
使用预设的多目标优化算法对所述信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据的步骤，包括：
基于所述信号数据集的每种数据的每个特征参数，生成对应于当前数据的二进制串个体；所述二进制串个体中包含当前数据的每个特征参数对应的特征元素，所述特征参数对应的特征元素包括0和1中的任意一种；
确定每个所述二进制串个体对应的适应度值；
对所述二进制串个体进行迭代处理，并对所述迭代处理的二进制串个体执行确定每个所述二进制串个体对应的适应度值的步骤；
当所述适应度值满足预设的迭代条件时，将所述特征元素指示为1的特征参数确定为所述目标特征参数，得到包括目标特征参数的目标数据；
所述将所述目标数据输入至初始分类模型中，通过所述目标数据和所述目标数据对应的对抗样本对所述初始分类模型进行模型训练的步骤，包括：
将所述目标数据输入至初始分类模型中；
根据预设的损失函数确定所述目标数据对应的损失值；其中，所述损失函数包括：
其中，为所述目标数据对应的输入权重矩阵，/>为所述目标数据对应的输入特征矩阵；/>为所述目标数据对应的输出权重矩阵，/>为所述目标数据对应的输出矩阵；/>为预设的正则化系数；/>为隐含层偏置向量；/>为隐含层的激活函数；
基于预设的扰动大小，以及，所述损失函数对所述目标数据的梯度确定所述目标数据对应的对抗样本，并根据所述对抗样本和所述目标数据进行对抗训练，更新所述目标数据对应的损失值；
直到所述损失值满足预设的损失阈值，得到所述设备故障诊断模型。
2.根据权利要求1所述的大型机械设备故障诊断模型的构建方法，其特征在于，对所述二进制串个体进行迭代处理的步骤，包括：特征元素选择、特征元素交换和特征元素取反；
所述特征元素选择的步骤包括：
基于预设的特征元素数量，从所述二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体；
所述特征元素交换的步骤，包括：
从所述二进制串个体中选择连续的多个特征元素，得到目标个体段；
将所述目标个体段与预设的数据对应的二进制串个体的目标个体段进行交换，得到交换个体；其中，所述交换个体中的特征元素的数量在预设的特征元素数量阈值内；所述预设的数据为从所述信号数据集中选择的其中一个数据；
所述特征元素取反的步骤，包括：
对所述二进制串个体中预设的特征元素进行取反处理，得到取反个体；其中，所述取反个体中的特征元素的数量在预设的特征元素数量阈值内。
3.根据权利要求2所述的大型机械设备故障诊断模型的构建方法，其特征在于，所述基于预设的特征元素数量，从所述二进制串个体中包括的多个特征元素中选择目标特征元素，得到目标二进制串个体的步骤，包括：
采用快速非支配排序算法确定所述特征元素对应的非支配解；
根据所述非支配解对应的排序结果，保留满足所述特征元素数量时的多个目标特征元素；
基于多个所述目标特征元素得到所述目标二进制串个体。
4.根据权利要求1所述的大型机械设备故障诊断模型的构建方法，其特征在于，通过下述公式确定每个所述二进制串个体对应的适应度值：
其中，所述为所述二进制串个体对应的分类误差，所述/>为所述二进制串个体中的所述特征元素指示的总特征数量；
所述表示预设的二进制串个体/>中当前特征元素指示为1的特征数量；所述/>为预设的特征元素数量阈值；所述/>为惩罚系数，/>为所述二进制串个体/>对应的惩罚项，用于调整对应的适应度值。
5.根据权利要求1所述的大型机械设备故障诊断模型的构建方法，其特征在于，所述方法还包括：
通过多个预设的参考诊断模型对所述信号数据集进行分类，得到参考分类结果；
确定所述设备故障诊断模型的分类结果对应的置信度分数和可信度分数，以及多个参考诊断模型的参考分类结果对应的参考置信度分数和参考可信度分数；
根据所述置信度分数和所述可信度分数，确定所述设备故障诊断模型对应的第一校验分数；以及，根据所述参考置信度分数和所述参考可信度分数，确定多个所述参考诊断模型对应的第二校验分数；
根据所述第一校验分数和所述第二校验分数对应的校验分数均值对所述设备故障诊断模型进行模型校验，并在所述校验分数均值满足预设的分均值阈值时，得到校验后的设备故障诊断模型。
6.一种大型机械设备故障诊断方法，其特征在于，所述大型机械设备故障诊断方法包括：
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1~5任一项所述的大型机械设备故障诊断模型的构建方法构建得到；
基于所述识别结果对所述目标设备进行故障诊断。
7.一种大型机械设备故障诊断模型的构建装置，其特征在于，应用于权利要求1至5任一项所述的大型机械设备故障诊断模型的构建方法，所述大型机械设备故障诊断模型的构建装置包括：
数据获取模块，用于获取预先采集的信号数据集；所述信号数据集包括多种数据，所述多种数据包括一种正常运行状态的第一数据和多种非正常运行状态的第二数据，每种数据包括多个特征参数；
特征选择模块，用于使用预设的多目标优化算法对所述信号数据集中的每种数据进行特征选择，得到包括目标特征参数的目标数据；
模型构建模块，用于将所述目标数据输入至预设的初始分类模型中，通过所述目标数据和所述目标数据对应的对抗样本对所述初始分类模型进行模型训练，构建设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；
所述目标数据对应的对抗样本通过预设的对抗样本生成算法生成；
所述特征选择模块，还用于基于所述信号数据集的每种数据的每个特征参数，生成对应于当前数据的二进制串个体；所述二进制串个体中包含当前数据的每个特征参数对应的特征元素，所述特征参数对应的特征元素包括0和1中的任意一种；确定每个所述二进制串个体对应的适应度值；对所述二进制串个体进行迭代处理，并对所述迭代处理的二进制串个体执行确定每个所述二进制串个体对应的适应度值的步骤；当所述适应度值满足预设的迭代条件时，将所述特征元素指示为1的特征参数确定为所述目标特征参数，得到包括目标特征参数的目标数据；
所述模型构建模块，还用于将所述目标数据输入至初始分类模型中；根据预设的损失函数确定所述目标数据对应的损失值；其中，所述损失函数包括：
其中，为所述目标数据对应的输入权重矩阵，/>为所述目标数据对应的输入特征矩阵；/>为所述目标数据对应的输出权重矩阵，/>为所述目标数据对应的输出矩阵；/>为预设的正则化系数；/>为隐含层偏置向量；/>为隐含层的激活函数；基于预设的扰动大小，以及，所述损失函数对所述目标数据的梯度确定所述目标数据对应的对抗样本，并根据所述对抗样本和所述目标数据进行对抗训练，更新所述目标数据对应的损失值；直到所述损失值满足预设的损失阈值，得到所述设备故障诊断模型。
8.一种大型机械设备故障诊断装置，其特征在于，所述大型机械设备故障诊断装置包括：
数据采集模块，获取目标设备的待测数据；
执行模块，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1~5任一项所述的大型机械设备故障诊断模型的构建方法构建得到；
数据处理模块，基于所述识别结果对所述目标设备进行故障诊断。
CN202310702220.8A 2023-06-14 2023-06-14 大型机械设备故障诊断模型的构建方法及装置 Active CN116429406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702220.8A CN116429406B (zh) 2023-06-14 2023-06-14 大型机械设备故障诊断模型的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702220.8A CN116429406B (zh) 2023-06-14 2023-06-14 大型机械设备故障诊断模型的构建方法及装置

Publications (2)

Publication Number Publication Date
CN116429406A CN116429406A (zh) 2023-07-14
CN116429406B true CN116429406B (zh) 2023-09-26

Family

ID=87092961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702220.8A Active CN116429406B (zh) 2023-06-14 2023-06-14 大型机械设备故障诊断模型的构建方法及装置

Country Status (1)

Country Link
CN (1) CN116429406B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955651A (zh) * 2019-11-28 2020-04-03 武汉科技大学 基于深度卷积生成式对抗网络的电机故障数据的增强方法
CN111832019A (zh) * 2020-06-10 2020-10-27 国家计算机网络与信息安全管理中心 基于生成对抗网络的恶意代码检测方法
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
CN113869208A (zh) * 2021-09-28 2021-12-31 江南大学 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN114372535A (zh) * 2022-01-13 2022-04-19 国网河北省电力有限公司石家庄供电分公司 基于生成式对抗网络的电力设备故障识别装置及方法
DE102020215885A1 (de) * 2020-12-15 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und system zur erkennung und mitigation von störungen
KR20220110113A (ko) * 2021-01-29 2022-08-05 고려대학교 산학협력단 1d cnn과 gan을 이용한 시계열 데이터의 이상 감지 장치 및 방법
CN115435892A (zh) * 2022-08-31 2022-12-06 长春工业大学 一种复杂机电装备的智能故障诊断方法
WO2023019456A1 (en) * 2021-08-18 2023-02-23 Robert Bosch Gmbh Method and apparatus for evaluation of adversarial robustness
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220253699A1 (en) * 2019-06-19 2022-08-11 Yissum Research Development Comany Of The Hebrew University Of Jerusalem Ltd. Machine learning-based anomaly detection
US11595282B2 (en) * 2020-07-21 2023-02-28 Google Llc Network anomaly detection

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110955651A (zh) * 2019-11-28 2020-04-03 武汉科技大学 基于深度卷积生成式对抗网络的电机故障数据的增强方法
CN111832019A (zh) * 2020-06-10 2020-10-27 国家计算机网络与信息安全管理中心 基于生成对抗网络的恶意代码检测方法
DE102020215885A1 (de) * 2020-12-15 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und system zur erkennung und mitigation von störungen
KR20220110113A (ko) * 2021-01-29 2022-08-05 고려대학교 산학협력단 1d cnn과 gan을 이용한 시계열 데이터의 이상 감지 장치 및 방법
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
WO2023019456A1 (en) * 2021-08-18 2023-02-23 Robert Bosch Gmbh Method and apparatus for evaluation of adversarial robustness
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
CN113869208A (zh) * 2021-09-28 2021-12-31 江南大学 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN114372535A (zh) * 2022-01-13 2022-04-19 国网河北省电力有限公司石家庄供电分公司 基于生成式对抗网络的电力设备故障识别装置及方法
CN115435892A (zh) * 2022-08-31 2022-12-06 长春工业大学 一种复杂机电装备的智能故障诊断方法
CN116150676A (zh) * 2023-04-19 2023-05-23 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于最优神经网络结构的故障诊断模型;张保山 等;兵器装备工程学报(第03期);全文 *
滚动轴承故障智能诊断方法研究;肖佳兵;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;全文 *

Also Published As

Publication number Publication date
CN116429406A (zh) 2023-07-14

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
CN116881832B (zh) 旋转机械设备故障诊断模型的构建方法及装置
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
CN116595463B (zh) 窃电识别模型的构建方法、窃电行为识别方法及装置
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
CN118070682B (zh) 基于人工智能的螺旋栓吊环受损评估方法及装置
KR102079359B1 (ko) 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법
CN117892251A (zh) 基于人工智能的索具锻造工艺参数监测预警方法及装置
US20230085991A1 (en) Anomaly detection and filtering of time-series data
CN116433333B (zh) 基于机器学习的数字商品交易风险防控方法及装置
CN116956197B (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
CN117892182B (zh) 基于人工智能的索具耐用性测试方法及装置
CN114448657B (zh) 一种配电通信网络安全态势感知与异常入侵检测方法
WO2023231374A1 (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN116541698A (zh) 一种基于XGBoost的网络异常入侵检测方法和系统
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN116934385A (zh) 用户流失预测模型的构建方法、用户流失预测方法及装置
CN117094184B (zh) 基于内网平台的风险预测模型的建模方法、系统及介质
CN114637620B (zh) 一种基于svm算法的数据库系统异常分类预测方法
CN113487223B (zh) 一种基于信息融合的风险评估方法和评估系统
CN118018272A (zh) 针对数据管理平台实现入侵防御处理的方法、装置、处理器及其计算机可读存储介质
CN116429406B (zh) 大型机械设备故障诊断模型的构建方法及装置
CN116483602A (zh) 一种异常检测方法、装置以及计算机存储介质
CN114596152A (zh) 基于无监督模型预测发债主体违约的方法、设备及存储介质
CN118035799B (zh) 基于多维数据融合的充填开采设备故障诊断方法及装置

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