CN116451093A - 电路故障分析模型的训练方法以及电路故障分析方法 - Google Patents

电路故障分析模型的训练方法以及电路故障分析方法 Download PDF

Info

Publication number
CN116451093A
CN116451093A CN202310541792.2A CN202310541792A CN116451093A CN 116451093 A CN116451093 A CN 116451093A CN 202310541792 A CN202310541792 A CN 202310541792A CN 116451093 A CN116451093 A CN 116451093A
Authority
CN
China
Prior art keywords
circuit fault
fault analysis
analysis model
model
whale
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
CN202310541792.2A
Other languages
English (en)
Inventor
孟苓辉
周振威
陈义强
路国光
赵振博
余陆斌
何世烈
刘俊斌
俞鹏飞
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 CN202310541792.2A priority Critical patent/CN116451093A/zh
Publication of CN116451093A publication Critical patent/CN116451093A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本申请涉及一种电路故障分析模型的训练方法以及电路故障分析方法。其中，训练方法包括获取待训练的电路故障分析模型、以及电路故障的训练数据，训练数据包括样本数据以及样本标签；将样本数据输入至待训练的电路故障分析模型，通过电路故障分析模型对样本数据进行特征突出处理，得到故障特征；通过电路故障分析模型对故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；将分类预测结果与样本标签进行相似度对比；更新待训练的电路故障分析模型的模型参数直至相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。方法提升了电路故障分析模型的适用性，也提升了电路模型故障分析结果的准确性和可靠性。

Description

电路故障分析模型的训练方法以及电路故障分析方法
技术领域
本申请涉及集成电路技术领域，特别是涉及一种电路故障分析模型的训练方法、装置、计算机设备、存储介质和计算机程序产品；同时还涉及一种电路故障分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电子电路是指由电子器件和有关无线电元件组成的电路。包括放大、振荡、整流、检波、调制、频率变换、波形变换等电路，以及各种控制电路；可以广泛应用于各种电子设备中。例如，在工业领域中，工业操作系统规模越来越庞大，功能越来越复杂，而电子电路系统则是工业操作系统的核心模块。又例如，在在军用领域中，电子电路在现代武器装备中核心组成部分，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。至航空航天，国防军工等重要领域，下至医疗、交通以及通信等与人民密切相关的衣食住行领域，整个系统的完整性和安全性均与电子电路息息相关，因此电子电路系统的可靠性和安全性就显得尤为重要。
传统的电子电路故障分析的方式或方法，通过是采用时频域特征分析，例如，傅里叶变换、经验模态分解、小波分析、以及希尔伯特黄变换等等；以上的变换方法只是针对电路的输出电压或电流模拟量进行单纯的数字特征分析和计算；又或者通过机器视觉技术对一些外观缺陷和异常的设备或零部件故障进行分析。但是，对于特征微弱、复杂或者故障现象不明显的电力电路等故障的识别与判断结果准确率稍低，导致电子电路故障分析结果可靠性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够支持高可靠性的故障分析的电路故障分析模型的训练方法和可靠性更高的电路故障分析方法；以及能够实现对应方法的装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电路故障分析模型的训练方法。所述方法包括：
获取待训练的电路故障分析模型、以及电路故障的训练数据，所述训练数据包括样本数据以及样本标签；
将所述样本数据输入至所述待训练的电路故障分析模型，通过电路故障分析模型对所述样本数据进行特征突出处理，得到故障特征；
通过电路故障分析模型对所述故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
将分类预测结果与所述样本标签进行相似度对比；
更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
在其中一个实施例中，所述更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型包括：
若所述相似度对比结果大于预设误差，则通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新，将模型参数更新后的所述电路故障分析模型重新作为所述待训练的电路故障分析模型，返回所述将所述样本数据输入至所述待训练的电路故障分析模型的步骤；
若所述相似度对比结果不大于预设误差，则得到已训练的电路故障分析模型。
在其中一个实施例中，通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新，包括：
获取电路故障分析模型中的卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数；
根据所述卷积层通道数、所述卷积核大小、所述池化层参数以及所述长短期记忆层参数，构建得到鲸鱼优化算法的鲸鱼种群；
从所述鲸鱼种群中产生参考个体；
通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新；
根据位置更新之后的鲸鱼个体与所述参考个体之间的距离，筛选得到最优个体；
根据所述最优个体对应的模型参数，对电路故障分析模型进行参数更新。
在其中一个实施例中，所述通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新包括：
获取螺旋式游走模型中预设的螺旋线控制参数；
通过所述螺旋线控制参数对鲸鱼个体进行位置更新。
在其中一个实施例中，所述通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新，包括：
根据鲸鱼个体与参考个体之间的个体距离，确定螺旋式游走模型的包围步长；
根据所述包围步长对鲸鱼个体进行筛选，对筛选后得到的鲸鱼个体进行位置更新。
在其中一个实施例中，所述将所述样本数据输入至所述待训练的电路故障分析模型，对所述样本数据进行特征突出处理，得到故障特征，包括：
对所述样本数据进行特征提取，得到电路故障的初始特征；
将所述初始特征进行归一化处理，得到权重矩阵；
将所述权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征。
在其中一个实施例中，所述将所述权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征，包括：
获取所述权重矩阵中的权重张量、预设的单位张量以及预设的剪枝参数；
通过所述单位张量对所述权重张量进行反向处理，得到反向张量；
将所述反向张量与权重张量对应的初始特征输入电路故障分析模型中的激活函数；
通过所述剪枝参数，对激活函数的运算结果进行剪枝处理，得到故障特征。
第二方面，本申请还提供了一种电路故障分析方法。所述方法包括：
获取电路运行时产生的运行数据、以及电路故障分析模型；
将所述运行数据输入所述电路故障分析模型进行故障分析，输出得到电路故障分析结果；
所述电路故障分析模型通过第一方面中任意一种电路故障分析模型的训练方法训练得到。
第三方面，本申请还提供了一种电路故障分析模型的训练装置。所述装置包括：
数据获取模块，获取待训练的电路故障分析模型、以及电路故障的训练数据，所述训练数据包括样本数据以及样本标签；
特征突出模块，将所述样本数据输入至所述待训练的电路故障分析模型，通过电路故障分析模型对所述样本数据进行特征突出处理，得到故障特征；
时序处理模块，通过电路故障分析模型对所述故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
误差分析模块，将分类预测结果与所述样本标签进行相似度对比；
模型优化模块，更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
第四方面，本申请还提供了一种电路故障分析装置。所述装置包括：
模型获取模块，获取电路运行时产生的运行数据、以及电路故障分析模型；
故障分析模块，将所述运行数据输入所述电路故障分析模型进行故障分析，输出得到电路故障分析结果；
其中，所述电路故障分析模型通过第一方面中任意一种电路故障分析模型的训练方法训练得到。
第五方面，本申请还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
获取待训练的电路故障分析模型、以及电路故障的训练数据，所述训练数据包括样本数据以及样本标签；
将所述样本数据输入至所述待训练的电路故障分析模型，通过电路故障分析模型对所述样本数据进行特征突出处理，得到故障特征；
通过电路故障分析模型对所述故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
将分类预测结果与所述样本标签进行相似度对比；
更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
第六方面，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，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取电路运行时产生的运行数据、以及电路故障分析模型；
将所述运行数据输入所述电路故障分析模型进行故障分析，输出得到电路故障分析结果；
其中，所述电路故障分析模型通过第一方面中任意一种电路故障分析模型的训练方法训练得到。
第七方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的电路故障分析模型的训练方法或者电路故障分析方法。
第八方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述的电路故障分析模型的训练方法或者电路故障分析方法。
本申请提供了一种电路故障分析模型的训练方法、装置、计算机设备、存储介质以及程序产品。其中训练方法通过对电路故障样本数据中的故障特征进行突出处理，使得电路故障分析模型能够更好的识别故障特征，实现对电路故障进行精确分析的目的；并且，电路故障分析模型对突出处理后得到的故障特征进行时序特征提取，然后进行故障的分类预测，通过时序特征提取，能够适应不同的样本数据分布情况，提升了电路故障分析模型的适用性，提升了在特征微弱、复杂或者故障现象不明显等场景下，电路模型故障分析结果的准确性和可靠性。
另外，本申请还提供一种电路故障分析方法，装置、计算机设备、存储介质以及程序产品。由于在电路故障分析方法中所采用的电路故障分析模型，采用上述的电路故障分析模型的训练方法得到的，因此，方法能够更加精准地对电路中所存在的故障进行分析诊断，提高电路故障分析结果可靠性。
附图说明
图1为一个实施例中电路故障分析模型的训练方法的应用环境图；
图2为一个实施例中电路故障分析模型的训练方法的流程示意图；
图3为一个实施例中反向注意力网络结构的结构框图；
图4为一个实施例中长短期记忆网络结构的结构框图；
图5为一个实施例中通过鲸鱼优化算法对模型参数进行优化的子步骤流程图；
图6为另一个实施例中电路故障分析模型的训练方法的流程示意图；
图7为一个实施例中电路故障分析方法的流程示意图；
图8为一个实施例中输出得到电路故障分析结果的流程示意图；
图9为一个实施例中电路故障分析模型的训练装置的结构框图；
图10为一个实施例中电路故障分析装置的结构框图；
图11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。
在进行具体的实施例描述之前，对说明书中涉及到的缩略语和关键术语进行定义描述如下：
鲸鱼优化算法(Whale optimization algorithm，WOA)：鲸鱼优化算法是一种通过模仿座头鲸的狩猎方式所提出的群智能优化算法。
反向注意力机制(Reverse attention mechanism，RAM)：是一种基于人眼对信息的处理方式所启发的改进型注意力机制，通过对重要特征信息进行突出，次要特征进行抑制，以实现对故障特征进行突出的目的。
长短期记忆网络(Long Short-Term Memory，LSTM)：长短期记忆网络是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如，一个tanh层。
由于在航空航天、国防军工、医疗以及交通等重要领域，集成系统的完整性和安全性均与电子电路息息相关，因此电子电路系统的可靠性和安全性就显得尤为重要。在传统技术方案中也曾提出基于一维卷积神经网络的电路故障诊断方法及其对应网络模型的设计方法，将电路的多维电流数据作为卷积神经网络的输出，通过网络模型对电流数据中的故障特征进行突出处理，使得诊断模型能够更好的识别故障特征，实现对电路故障进行精确诊断的目的。但是传统技术方案所提出的特征突出处理方法需要较大规模的数据进行支撑且对诊断模型进行训练时同样也需要大规模数据进行支撑，使得该方案在对于复杂故障模式或不均衡样本、小样本等不同复杂情况下时难以保证故障诊断模型的诊断精度。
本申请实施例提供的电路故障分析模型的训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。响应于终端102上送至服务器104的模型训练指令，服务器104首先从其数据存储系统中批量获取电路故障的训练数据，该训练数据是在电路生命周期中出现故障时，对故障情况进行详细记录并进行必要的数据清洗后得到的数据内容。该训练数据中包括了样本数据以及样本标签，该样本标签可以是在对故障情况进行记录存储的过程中，同步进行故障类型标记处理所形成的。服务器104可以调取数据存储系统中存储的待训练电路故障分析模型，或者可以通过临时搭建的方式得到待训练电路故障分析模型。服务器104将训练数据中的样本数据输入至待训练电路故障分析模型，通过模型中的反向注意力机制对样本数据中的重要特征信息进行突出，得到特征突出后的故障特征。进一步地，服务器104还通过电路故障分析模型中的长短期记忆网络对故障特征进行时序特征提取。然后，通过由电路故障分析模型中的全连接层实现对故障类型进行分类预测，并将分类预测得到的电路故障类型与训练数据中的样本标签进行相似度对比。服务器104判断相似度对比结果是否在可接受的测试误差之内；在确定相似度对比结果大于可接受的测试误差之后，利用鲸鱼优化算法对电路故障分析模型的模型参数进行优化，得到参数优化后的电路故障分析模型。参数优化后所得到电路故障分析模型可以存储指服务器104的数据存储系统中，以便后续调用。此外，在该实施环境中，服务器104还能够响应于终端102的故障分析指令，对电路进行故障分析和诊断。服务器104可以从数据存储系统中直接调用训练完成的电路故障分析模型，并将终端102实时上传的电路运行数据输入至该电路故障分析模型中，通过电路故障分析模型进行故障分析，输出得到电路故障分析结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电路故障分析模型的训练方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，获取待训练的电路故障分析模型、以及电路故障的训练数据，训练数据包括样本数据以及样本标签。
其中，待训练的电路故障分析模型，可以是通过调用存储空间中预先存储并进行初始化处理之后得到的模型，或者可以是通过临时搭建的方式得到的模型。实施例中的训练数据是在电路生命周期中出现故障时，对故障情况进行详细记录并进行必要的数据清洗后得到的数据内容。该训练数据中包括了样本数据以及样本标签，该样本标签可以是在对故障情况进行记录存储的过程中同步进行故障类型标记处理后得到的。
示例性的，实施例中组合一维卷积神经网络1DCNN、RAM块和LSTM网络构建得到初始的故障诊断模型；模型中主要包括若干个RAM块、LSTM层、全局平均池化层以及全连接层。如图3所示，其中RAM块包括输入输出层、卷积层、批量归一化层、池化层、Softmax层、反向层以及剪枝层等，池化层在连接至Softmax层的同时还链接至反向层，进行特征的反向乘积运算。由RAM块输出的特征信号会被输入到LSTM层中进行时序特征的处理；最后，由全局平均池化层以及全连接层进行故障分类预测。
步骤204，将样本数据输入至待训练的电路故障分析模型，通过电路故障分析模型对样本数据进行特征突出处理，得到故障特征。
其中，特征突出处理是指通过反向注意力机制，对重要特征信息进行突出，次要特征进行抑制，以实现对故障特征进行突出的特征处理过程。故障特征是在训练数据的样本数据中所蕴含的能够对故障的属性、类别进行描述的数据内容，并且该数据内容可以是向量或者张量等数据格式。
示例性地，在实施例中，将训练数据的样本数据输入至待训练的电路故障分析模型中的反向注意力机制RAM块，首先通过卷积层通过激活函数进行运算，并将越算得到的结果进行转换得到对应的权重中，并将得到权重值与输入的样本数据进行乘积运算以得到故障特征，从而实现对样本数据中的重要特征进行突出的目的。
步骤206，通过电路故障分析模型对故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测。
其中，时序特征是能是提取电路故障的样本数据在时间维度上的特征信息。实施例中，时序特征提取的提取过程，是通过长短期记忆网络实现的，由于在模型训练过程中，所输入的样本数据通常不具备线性关系，通过长短期记忆网络可以通过神经网络的非线性变换实现非线性建模从而更好地提取时序特征。实施例中，分类预测的目的在于对不同样本数据所表征的故障类型或故障属性进行分类，从而能够实现对故障进行识别以及确认。
示例性的，由于LSTM结构能够克服模型中梯度的消失和爆炸的缺点，因此，实施例中采用LSTM结构来实现时序特征提取。LSTM结构通过引入门结构对细胞状态进行删减或者增添。如图4所示，LSTM结构σ层的输出是0-1的值，代表σ层所能通过的信息占比；0表示都不能通过，1表示都能通过。具体地，LSTM通过三个门结构对细胞状态进行控制，称为忘记门、输入门和输出门。忘记门ft通过查看ht-1和xt的信息来输出一个0-1之间的向量，该向量里面的0-1值表示细胞状态中Ct-1的信息保留或丢弃程度。0表示不保留，1表示都保留。LSTM结构中进行时序特征提取过程中的具体计算公式如下：
ft＝σ(wf[ht-1，xt]+bf)
it＝σ(wi[ht-1，xt]+bi)
ct＝ftct-1+itct
ot＝σ(wo[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中，xt表示t时刻的输入，ω表示权重矩阵，b表示偏置矩阵，表示t时刻的候选向量，ct表示t时刻的更新值，htht-1表示t、t-1时间点模型的所有输出。输入门it决定ht-1和xt的信息更新，然后利用ht-1和xt通过一个Tanh层得到新的候选细胞信息Ct。旧细胞中的一部分信息通过忘记门ft选择忘记，输入门选择添加候选细胞信息Ct的一部分得到新的细胞信息Ct。输出门ot控制着有多少记忆信息将被用于下一阶段的更新中。
在通过LSTM结构进行时序特征的提取之后，将时序特征进行全局平均池化处理，并将池化处理后的结果输入至全连接层，由全连接层实现故障分类。
步骤208，将分类预测结果与样本标签进行相似度对比。
其中，相似度对比是计算分类预测结果中电路故障类型或者电路故障的属性信息之间的相似度距离的过程。
示例性地，实施例中将电路故障分析模型基于输入的样本数据进行故障分类预测，得到的故障类型与步骤202中获取的训练数据对应样本标签进行相似度对比。例如，实施例中可以采用通过计算分类预测结果与样本标签之间的欧几里得距离(EuclideanDistance)，通过欧几里得来描述两者之间的距离。
步骤210，更新待训练的电路故障分析模型的模型参数直至相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
其中，预设误差是指在进行模型训练之间预先设置的可接受测试误差。
示例性地，在实施例中通过欧式距离的计算公式计算得到电路故障分析模型基于样本数据预测得到的电路故障类型，与原始训练数据中的样本标签计算得到相似度值(距离)之后，将这一相似度值与模型训练之前设定的可接受测试误差进行对比，例如，可接受测试误差为0.15，即需要电路故障分析模型的分类预测结果与样本标签之间的相似度值大于0.85，才认定该模型已经训练至参数最优，当计算得到的相似度值的误差大于0.15时，即相似度值小于0.85；则需要对模型参数进行迭代优化，并将参数优化过后的电路故障分析模型基于初始的训练数据不断更新分类预测结果和与样本标签之间的相似度值；直至相似度值不大于可接受测试误差，则认为已经得到最优的模型参数，并基于最优的模型参数更新这一电路故障分析模以完成模型的训练过程。针对模型参数的优化，实施例中可以将需要进行优化的模型参数进行提取，并构建其对应的目标函数，通过对目标函数求得最优解的方式，得到最优的模型参数。实施例中对模型参数的目标函数求得最优解的过程，可以通过逻辑回归以及种群迭代算法的方式进行求解。
上述电路故障分析模型的训练方法通过对电路故障样本数据中的故障特征进行突出处理，使得电路故障分析模型能够更好的识别故障特征，实现对电路故障进行精确分析的目的；并且，电路故障分析模型对突出处理后得到的故障特征进行时序特征提取，然后进行故障的分类预测，通过时序特征提取，能够适应不同的样本数据分布情况，提升了故障分析模型的适用性，提升了在特征微弱、复杂或者故障现象不明显等场景下，模型故障分析结果的准确性和可靠性。
在基于DCNN、RAM和LSTM构建基本的故障诊断模型，实施例的训练方法还可以使用WOA对上述诊断模型的参数进行自适应选择，选取最适合对电路进行故障诊断的模型参数。在一个实施例中，如图5所示，训练方法中更新待训练的电路故障分析模型的模型参数直至相似度对比结果不大于预设误差，得到已训练的电路故障分析模型的过程，可以包括：
步骤212，若相似度对比结果大于预设误差，则通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新，将模型参数更新后的电路故障分析模型重新作为待训练的电路故障分析模型，返回将样本数据输入至待训练的电路故障分析模型的步骤。
其中，鲸鱼优化算法是一种通过模仿座头鲸的狩猎方式所提出的群智能优化算法，其数学模型主要包括三个部分：游走搜索猎物、收缩包围猎物和螺旋捕食猎物。
示例性地，在实施例通过鲸鱼优化算法WOA对电路故障分析模型进行优化的过程中，首先，根据当前阶段的故障分析模型的模型参数构建得到WOA中的初始种群，即将模型参数表示为鲸鱼个体的位置信息。然后，基于WOA的全局搜索，从初始种群之中随机选取一个个体作为参考个体，即最佳位置的鲸鱼个体，并不断迭代产生新的个体对初始种群进行更新。其中，根据性过程可以模拟鲸鱼在捕食过程中的螺旋捕食猎物，在算法层面，通过两种数学模型表达前述的螺旋捕食猎物行为：其一是收缩包围，收缩包围的过程是将当前位置的鲸鱼个体向当前最佳位置的鲸鱼个体靠近；其二是螺旋式位置更新，根据WOA中预设的长参数，模型鲸鱼个体以螺旋式的方式项当前最佳位置的鲸鱼个体靠近。在通过更新鲸鱼个体的位置之后得到新的鲸鱼种群之后，基于鲸鱼收缩包围猎物的思想，即当前任意一个鲸鱼个体可能不会像当前位置最佳的鲸鱼个体靠近，而是从当前鲸鱼种群中随机选择一条鲸鱼个体靠近。基于这一收缩包围捕食的思想，虽然可能会是当前鲸鱼个体偏离目标猎物，但会增强鲸鱼群体的全局搜索能力。
步骤214，若相似度对比结果不大于预设误差，则得到已训练的电路故障分析模型。
示例性地，实施例中在通过WOA得到当前最优的鲸鱼个体，根据当前最优的鲸鱼个体的位置信息进行转换得到对应的优化后的模型参数，基于这一优化后的模型参数对电路故障分析模型进行更新，并基于初始获取的训练数据进行重新预测分析，将更新后得到的分类预测结果同样与训练数据中的样本标签进行相似度对比。当相似度对比结果已经小于或等于可接受测试误差之后，停止WOA对模型参数进行迭代更新的过程，以当前得到的模型参数为最优模型参数，基于最后模型参数加载得到的电路故障分析模型为训练完成的模型。若当前相似度对比结果仍然大于可接受测试误差，则需要通过WOA对模型参数继续进行迭代更新。
首先通过1DCNN、RAM和LSTM构建基本的故障诊断模型，并使用WOA对上述诊断模型的参数进行自适应选择，选取最适合对电路进行故障诊断的模型参数，能够实现对电路故障的高精度、高鲁棒性的识别与判断。
在一个实施例中，训练方法中过鲸鱼优化算法对电路故障分析模型的模型参数进行更新的过程，可以包括以下步骤：
步骤一，获取电路故障分析模型中的卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数。
步骤二，根据卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数，构建得到鲸鱼优化算法的鲸鱼种群。
步骤三，从鲸鱼种群中产生参考个体。
步骤四，通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对鲸鱼个体进行位置更新。
步骤五，根据位置更新之后的鲸鱼个体与参考个体之间的距离，筛选得到最优个体。
步骤六，根据最优个体对应的模型参数，对电路故障分析模型进行参数更新。
示例性地，在实施例中，实施例中所采用的WOA，其目的在于优化整体卷积神经网络中，卷积层通道数以及卷积核大小、池化层参数和LSTM层参数，通过不断迭代训练，寻找使得诊断模型性能最佳的通道参数组合。因此，实施例中在对模型参数进行更新的过程中，首先需要构建初始种群。在得到初始种群之后，在WOA进行模型参数更新的过程中，通过预先设置的控制参数A来控制种群的搜索层略；即，当|A|＞1时，WOA进行全局搜索，随机选取一个鲸鱼个体作为位置最优的参考个体而种群中的其他个体的产生方式如下述计算式的描述：
A＝2ar-a
C＝2r
其中，t为当前迭代次数；tmax为最大迭代次数；r为[0，1]之间的随机数；为随机选择的搜索个体；Xt为第t代种群个体；D为包围步长；A表示生成个体离参考个体的远近程度。
然后是模拟鲸鱼螺旋捕食猎物的过程，对鲸鱼种群个体(的位置信息)进行迭代更新，更新的方式包括收缩包围以及螺旋式位置更新。在获得最优鲸鱼个体的阶段，与收缩包围的过程相类似，但是，在收缩包围阶段，鲸鱼个体不在随机选择个体进行位置更新，而是选择当前最优个体进行位置更新，实施包围策略，从而使种群获得最优解。收缩包围猎物的位置更新的计算公式如下：
其中，为搜索至第t代种群时最优鲸鱼个体的位置，Dbest包围最优鲸鱼个体的包围步长。通过向鲸鱼种群最优个体包围，模拟收缩包围猎物的行为。在得到最优鲸鱼个体以及该个体对应的位置信息之后，基于这一位置信息得到优化处理后的电路故障分析模型的模型参数。
在一个实施例中，训练方法中通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对鲸鱼个体进行位置更新这一过程，可以包括以下步骤：
步骤一，获取螺旋式游走模型中预设的螺旋线控制参数。
步骤二，通过螺旋线控制参数对鲸鱼个体进行位置更新。
示例性地，实施例中在对鲸鱼种群中的鲸鱼个体进行位置更新时，可以通过螺旋式的方式项当前位置最佳的鲸鱼个体靠近，具体游走模型如下式：
其中，b为控制螺旋线形状的常数；l为[0，1]的随机变量。
在一个实施例中，训练方法通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对鲸鱼个体进行位置更新这一过程，还可以包括以下步骤：
步骤一，根据鲸鱼个体与参考个体之间的个体距离，确定螺旋式游走模型的包围步长。
步骤二，根据包围步长对鲸鱼个体进行筛选，对筛选后得到的鲸鱼个体进行位置更新。
示例性地，实施例中WOA模拟鲸鱼收缩包围的过程，其数学模型与得到最优鲸鱼个体的数学模型一致；其区别在于参数A的取值范围，由于收缩包围的含义为将当前位置的鲸鱼个体项当前最佳位置的鲸鱼个体靠近，所以将A的取值范围调整为[-1，1]，其他公式内容保持不变。
由于鲸鱼的捕猎行为和螺旋收缩是同时进行的，假设两者概率均为50％，因此，实施例中螺旋捕食猎物数学模型如下：
在一个实施例中，训练方法中将样本数据输入至待训练的电路故障分析模型，对样本数据进行特征突出处理，得到故障特征这一过程，包括以下步骤：
步骤一，对样本数据进行特征提取，得到电路故障的初始特征。
步骤二，将初始特征进行归一化处理，得到权重矩阵。
步骤三，将权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征。
人类在观察事物时，通常首先关注重要程度高的信息，忽略掉次要信息，通过这种方式，能够减小需要关注的目标区域的大小，提高对所需要关注区域信息的处理效率。因此，实施例中可以引入注意力机制来对样本数据进行特征突出处理。示例性地，注意力机制通过模仿人处理信息的方式，主动增加对重要信息的关注度，变相降低对其他信息的关注。注意力机制通过Softmax函数将特征信息全部压缩到[0，1]之间后形成权重矩阵，之后将权重张量与原始特征信息张量相乘，以实现对特征张量中的重要特征进行突出的目的。
但是，通过注意力机制仅能对样本数据中的重要特征进行突出，而并未对次要特征进行处理，在电路故障分析模型对进行特征提取时，次要特征仍然可能占有较大的权重，影响模型的性能。因此，为最大限度的提高重要特征所获得的关注度，提出基于注意力机制的反向注意力放大机制，在对重要特征进行突出的同时，对次要特征进行抑制。在一个实施例中，训练步骤中将权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征这一过程，可以包括以下步骤：
步骤一，获取权重矩阵中的权重张量、预设的单位张量以及预设的剪枝参数。
步骤二，通过单位张量对权重张量进行反向处理，得到反向张量。
步骤三，将反向张量与权重张量对应的初始特征输入电路故障分析模型中的激活函数。
步骤四，通过剪枝参数，对激活函数的运算结果进行剪枝处理，得到故障特征。
示例性地，实施例中首先需要通过卷积操作对输入的特征张量进行初略的特征提取，其次，通过Softmax函数将特征张量转化为权重占比张量，之后，通过单位张量对权重占比张量进行反向，使得原本重要的特征被抑制，再通过设置一个可优化的剪枝参数，使现保留的原突出特征减为负数后，再通过ReLU激活函数使得其直接变为0；此时，理想情况下原重要特征变为0，原次要特征为一较小的正数；然后再用1减去现保留的特征张量，原重要特征此时得以进一步突出，并再添加一个超参数用以对现特征矩阵进行进一步放大。
结合说明书附图6，以WOA-RAM-LSTM的模型架构为例，对实施例中的电路故障分析模型的训练过程，进行完整、详细的过程描述如下：
实施例通过1DCNN、RAM和LSTM构建诊断模型，并利用WOA对诊断模型进行模型参数的选择。首先，实施例根据1DCNN、RAM和LSTM的网络架构，构建得到待训练的电路故障分析模型，并获取预先进行数据清洗以及必要预处理之后得到的原始故障信号，原始故障信号在输入至电路故障分析模型时，模型中的RAM块会对故障特征中的重要特征进行突出，对次要特征进行抑制，这一操作提升了模型的特征提取能力，最终提升模型的诊断性能以及抗噪能力。其次，突出后的特征信号会被输入到LSTM中进行时序特征的提取；最后，由全连接层实现故障分类。针对电路故障分析模型的优化处理过程，实施例中采用WOA对诊断模型参数进行选择，能够尽可能的对模型整体结构进行优化，从而提升模型诊断性能。
在一个实施例中，本申请实施例还提供了一种电路故障分析方法。如图7所示，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤702，获取电路运行时产生的运行数据、以及电路故障分析模型。
步骤704，将运行数据输入电路故障分析模型进行故障分析，输出得到电路故障分析结果。
其中，电路故障分析模型是通过前述的电路故障分析模型的训练方法所得到的电路故障分析模型。
示例性地，实施例中可以通过实时采集电子电路中的运行数据，并将该数据进行清洗、整理以及格式处理之后，上传至服务器。如图8所示，服务器中搭载有已经训练完成的电路故障分析模型，并将接收到的运行数据输入至电路故障分析模型，经由模型对当前电子电路的运行状态中可能存在的故障进行预测，基于这一预测结果对电子电路进行保养或者维修。
实施例由于在电路故障分析方法中所采用的电路故障分析模型，采用上述的电路故障分析模型的训练方法得到的，因此，方法能够更加精准地对电路中所存在的故障进行分析诊断，提高电路故障分析结果可靠性。
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电路故障分析模型的训练方法的电路故障分析模型的训练装置。如图9所示，电路故障分析模型的训练装置900包括：数据获取模块901、特征突出模块902、时序处理模块903、误差分析模块904和模型优化模块905，其中：
数据获取模块901，获取待训练的电路故障分析模型、以及电路故障的训练数据，训练数据包括样本数据以及样本标签；
特征突出模块902，将样本数据输入至待训练的电路故障分析模型，通过电路故障分析模型对样本数据进行特征突出处理，得到故障特征；
时序处理模块903，通过电路故障分析模型对故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
误差分析模块904，将分类预测结果与样本标签进行相似度对比；
模型优化模块905，更新待训练的电路故障分析模型的模型参数直至相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
具体地，实施例中，数据获取模块901首先从其数据存储系统中批量获取电路故障的训练数据，并且调取数据存储系统中存储的待训练电路故障分析模型，或者可以通过临时搭建的方式得到待训练电路故障分析模型。特征突出模块902将训练数据中的样本数据输入至待训练电路故障分析模型，通过模型中的反向注意力机制对样本数据中的重要特征信息进行突出，得到特征突出后的故障特征。时序处理模块903通过电路故障分析模型中的长短期记忆网络对故障特征进行时序特征提取。误差分析模块904对故障类型进行分类预测，并将分类预测得到的电路故障类型与训练数据中的样本标签进行相似度对比。模型优化模块905判断相似度对比结果是否在可接受的测试误差之内；在确定相似度对比结果大于可接受的测试误差之后，利用鲸鱼优化算法对电路故障分析模型的模型参数进行优化，得到参数优化后的电路故障分析模型。
在一个实施例中，若相似度对比结果大于预设误差，模型优化模块905能够通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新，将模型参数更新后的电路故障分析模型重新作为待训练的电路故障分析模型，返回将样本数据输入至特征突出模块902；若所述相似度对比结果不大于预设误差，则得到已训练的电路故障分析模型。
在一个实施例中，模型优化模块905能够获取电路故障分析模型中的卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数；根据卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数，构建得到鲸鱼优化算法的鲸鱼种群；从鲸鱼种群中产生参考个体；通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对鲸鱼个体进行位置更新；根据位置更新之后的鲸鱼个体与参考个体之间的距离，筛选得到最优个体；根据最优个体对应的模型参数，对电路故障分析模型进行参数更新。
在一个实施例中，模型优化模块905能够获取螺旋式游走模型中预设的螺旋线控制参数；通过螺旋线控制参数对鲸鱼个体进行位置更新。
在一个实施例中，模型优化模块905能够根据鲸鱼个体与参考个体之间的个体距离，确定螺旋式游走模型的包围步长；根据包围步长对鲸鱼个体进行筛选，对筛选后得到的鲸鱼个体进行位置更新。
在一个实施例中，特征突出模块902能够对样本数据进行特征提取，得到电路故障的初始特征；将初始特征进行归一化处理，得到权重矩阵；将权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征。
在一个实施例中，特征突出模块902获取权重矩阵中的权重张量、预设的单位张量以及预设的剪枝参数；通过单位张量对权重张量进行反向处理，得到反向张量；将反向张量与权重张量对应的初始特征输入电路故障分析模型中的激活函数；通过剪枝参数，对激活函数的运算结果进行剪枝处理，得到故障特征。
上述电路故障分析模型的训练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。
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电路故障分析方法的电路故障分析装置。如图10所示，电路故障分析装置110包括模型获取模块111以及故障分析模块112。
模型获取模块111，获取电路运行时产生的运行数据、以及电路故障分析模型。
故障分析模块112，将运行数据输入电路故障分析模型进行故障分析，输出得到电路故障分析结果。
电路故障分析模型通过前述任一项的电路故障分析模型的训练方法训练得到，在此不进行赘述。
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11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。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、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电路故障数据。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通过网络连接通信。该计算机程序被处理器执行时以实现一种电路故障分析模型的训练方法。
本领域技术人员可以理解，图11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，还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上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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)

1.一种电路故障分析模型的训练方法，其特征在于，所述方法包括：
获取待训练的电路故障分析模型、以及电路故障的训练数据，所述训练数据包括样本数据以及样本标签；
将所述样本数据输入至所述待训练的电路故障分析模型，通过电路故障分析模型对所述样本数据进行特征突出处理，得到故障特征；
通过电路故障分析模型对所述故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
将分类预测结果与所述样本标签进行相似度对比；
更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
2.根据权利要求1所述的方法，其特征在于，所述更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型包括：
若所述相似度对比结果大于预设误差，则通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新，将模型参数更新后的所述电路故障分析模型重新作为所述待训练的电路故障分析模型，返回所述将所述样本数据输入至所述待训练的电路故障分析模型的步骤；
若所述相似度对比结果不大于预设误差，则得到已训练的电路故障分析模型。
3.根据权利要求2所述的方法，其特征在于，通过鲸鱼优化算法对电路故障分析模型的模型参数进行更新包括：
获取电路故障分析模型中的卷积层通道数、卷积核大小、池化层参数以及长短期记忆层参数；
根据所述卷积层通道数、所述卷积核大小、所述池化层参数以及所述长短期记忆层参数，构建得到鲸鱼优化算法的鲸鱼种群；
从所述鲸鱼种群中产生参考个体；
通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新；
根据位置更新之后的鲸鱼个体与所述参考个体之间的距离，筛选得到最优个体；
根据所述最优个体对应的模型参数，对电路故障分析模型进行参数更新。
4.根据权利要求3所述的方法，其特征在于，所述通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新包括：
获取螺旋式游走模型中预设的螺旋线控制参数；
通过所述螺旋线控制参数对鲸鱼个体进行位置更新。
5.根据权利要求3所述的方法，其特征在于，所述通过鲸鱼优化算法中鲸鱼个体的螺旋式游走模型，对所述鲸鱼个体进行位置更新，包括：
根据鲸鱼个体与参考个体之间的个体距离，确定螺旋式游走模型的包围步长；
根据所述包围步长对鲸鱼个体进行筛选，对筛选后得到的鲸鱼个体进行位置更新。
6.根据权利要求1所述的方法，其特征在于，所述将所述样本数据输入至所述待训练的电路故障分析模型，对所述样本数据进行特征突出处理，得到故障特征包括：
对所述样本数据进行特征提取，得到电路故障的初始特征；
将所述初始特征进行归一化处理，得到权重矩阵；
将所述权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征。
7.根据权利要求6所述的方法，其特征在于，所述将所述权重矩阵中的权重张量与权重张量对应的初始特征进行乘积运算，得到故障特征，包括：
获取所述权重矩阵中的权重张量、预设的单位张量以及预设的剪枝参数；
通过所述单位张量对所述权重张量进行反向处理，得到反向张量；
将所述反向张量与权重张量对应的初始特征输入电路故障分析模型中的激活函数；
通过所述剪枝参数，对激活函数的运算结果进行剪枝处理，得到故障特征。
8.一种电路故障分析方法，其特征在于，所述方法包括：
获取电路运行时产生的运行数据、以及电路故障分析模型；
将所述运行数据输入所述电路故障分析模型进行故障分析，输出得到电路故障分析结果；
所述电路故障分析模型通过权利要求1至7中任一项所述的电路故障分析模型的训练方法训练得到。
9.一种电路故障分析模型的训练装置，其特征在于，所述装置包括：
数据获取模块，获取待训练的电路故障分析模型、以及电路故障的训练数据，所述训练数据包括样本数据以及样本标签；
特征突出模块，将所述样本数据输入至所述待训练的电路故障分析模型，通过电路故障分析模型对所述样本数据进行特征突出处理，得到故障特征；
时序处理模块，通过电路故障分析模型对所述故障特征进行时序特征提取，将时序特征提取得到的特征数据进行分类预测；
误差分析模块，将分类预测结果与所述样本标签进行相似度对比；
模型优化模块，更新所述待训练的电路故障分析模型的模型参数直至所述相似度对比结果不大于预设误差，得到已训练的电路故障分析模型。
10.一种电路故障分析装置，其特征在于，所述装置包括：
模型获取模块，获取电路运行时产生的运行数据、以及电路故障分析模型；
故障分析模块，将所述运行数据输入所述电路故障分析模型进行故障分析，输出得到电路故障分析结果；
所述电路故障分析模型通过权利要求1至7中任一项所述的电路故障分析模型的训练方法训练得到。
CN202310541792.2A 2023-05-12 2023-05-12 电路故障分析模型的训练方法以及电路故障分析方法 Pending CN116451093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310541792.2A CN116451093A (zh) 2023-05-12 2023-05-12 电路故障分析模型的训练方法以及电路故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310541792.2A CN116451093A (zh) 2023-05-12 2023-05-12 电路故障分析模型的训练方法以及电路故障分析方法

Publications (1)

Publication Number Publication Date
CN116451093A true CN116451093A (zh) 2023-07-18

Family

ID=87133826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310541792.2A Pending CN116451093A (zh) 2023-05-12 2023-05-12 电路故障分析模型的训练方法以及电路故障分析方法

Country Status (1)

Country Link
CN (1) CN116451093A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910493A (zh) * 2023-09-12 2023-10-20 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
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

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
CN116910493A (zh) * 2023-09-12 2023-10-20 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
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

Similar Documents

Publication Publication Date Title
CN110163234B (zh) 一种模型训练方法、装置和存储介质
CN116451093A (zh) 电路故障分析模型的训练方法以及电路故障分析方法
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
CN112270334B (zh) 一种基于异常点暴露的少样本图像分类方法及系统
CN115392594B (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
CN117152528A (zh) 绝缘子状态识别方法、装置、设备、存储介质和程序产品
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
CN111753995A (zh) 一种基于梯度提升树的局部可解释方法
CN116383441A (zh) 社群检测方法、装置、计算机设备和存储介质
WO2022142026A1 (zh) 分类网络构建方法以及基于分类网络的分类方法
CN114821248A (zh) 面向点云理解的数据主动筛选标注方法和装置
CN110457700B (zh) 短文本描述方法和装置
CN114898339B (zh) 驾驶行为预测模型的训练方法、装置、设备、存储介质
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置
CN117435279A (zh) 个人资源管理方法、装置、计算机设备和存储介质
CN117523259A (zh) 半监督模型训练方法、装置、计算机设备和存储介质
CN118053161A (zh) 卡面信息识别方法、装置、设备、存储介质和程序产品
CN116628538A (zh) 基于图对齐神经网络的患者聚类方法、装置和计算机设备
CN115934394A (zh) 一种数据处理方法、装置、设备及存储介质
CN117671278A (zh) 电力图像数据处理方法、装置、设备、介质和程序产品
CN114943331A (zh) 一种神经网络模型训练方法、装置、设备及存储介质
CN117349098A (zh) 图形处理器性能测试方法、装置、计算机设备和存储介质
CN116778308A (zh) 对象识别方法、装置、计算机设备和存储介质
CN115545214A (zh) 用户筛选方法、装置、计算机设备、存储介质和程序产品
CN117290196A (zh) 系统故障预测方法、模型训练方法、装置和计算机设备

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