故障诊断模型训练方法和故障诊断方法技术

本申请涉及一种故障诊断模型训练方法、故障诊断方法、装置、计算机设备、存储介质和计算机程序产品。故障诊断模型训练方法包括：获取多个断路器故障样本数据；将断路器故障样本数据输入特征提取子模型，生成对应的故障特征数据；将故障特征数据分别输入故障分类子模型和地域自适应子模型，得到对应的预测故障分类结果和预测地域识别结果；根据预测故障分类结果和预测地域识别结果，确定故障诊断模型的模型损失；基于模型参数，继续训练，直到故障诊断模型收敛，得到训练完成的故障诊断模型，本申请能够节约训练样本前期进行标记的时间，并将不同地域的断路器故障样本数据的区别考虑在内，使得训练得到的故障诊断模型鲁棒性更强。使得训练得到的故障诊断模型鲁棒性更强。使得训练得到的故障诊断模型鲁棒性更强。

【技术实现步骤摘要】
故障诊断模型训练方法和故障诊断方法


[0001]本申请涉及故障诊断
，特别是涉及一种故障诊断模型训练方法、 故障诊断方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着信息处理能力的提高以及计算机技术、各种传感器的发展，专家系统、 模糊控制理论等先进控制理论的完善，高压断路器的故障诊断算法开始逐步得 到深入的研究和发展。但现有的高压断路器故障诊断依然比较简单，其所依靠 的参数也需要设计专门的高精度电路获取，导致断路器故障诊断效果不尽如人 意，能够诊断出来的故障类型也比较少。
[0003]而人工智能技术的发展给断路器故障诊断技术的研究提供了新的思路。将 人工智能技术融入到故障诊断算法中，利用大量的历史数据，将简单的超限警 告的故障分析方法升级到精确的故障诊断方法，由原本的事后检修演变为预测 和评估断路器运行状态、分析和报告故障原因。然而现有的依赖人工智能技术 训练得到的断路器故障诊断模型的鲁棒性普遍较差，且很容易因为外界的影响 使得预测精度降低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够将不同地域的断路器故 障数据差异考虑在内、能够只采用少量标签的样本数据进行训练的故障诊断模 型训练方法、故障诊断方法、装置、计算机设备、存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种故障诊断模型训练方法，所述故障诊断模型 包括特征提取子模型、故障分类子模型和地域自适应子模型，所述方法包括：
[0006]获取多个断路器故障样本数据；
[0007]将所述断路器故障样本数据输入所述特征提取子模型，生成对应的故障特 征数据；
[0008]将所述故障特征数据分别输入所述故障分类子模型和所述地域自适应子模 型，得到对应的预测故障分类结果和预测地域识别结果；
[0009]根据所述预测故障分类结果和所述预测地域识别结果，确定所述故障诊断 模型的模型损失；
[0010]基于所述模型损失调整所述故障诊断模型的模型参数，继续训练，直到所 述故障诊断模型收敛，得到训练完成的故障诊断模型。
[0011]在其中一个实施例中，所述地域自适应子模型包括地域分类单元和地域分 布差异度量单元；
[0012]将所述故障特征数据输入所述地域自适应子模型，得到对应的预测地域识 别结果的步骤包括：
[0013]将所述故障特征数据输入所述地域分类单元，得到所述预测地域识别结果 中的
地域分类差异；
[0014]将所述故障特征数据输入所述地域分布差异度量单元，得到所述预测地域 识别结果中的地域分布差异距离。
[0015]在其中一个实施例中，所述地域分类单元包括地域分类全连接层和输出层；
[0016]将所述故障特征数据输入所述地域分类单元，得到所述预测地域识别结果 中的地域分类差异的步骤包括：
[0017]基于所述地域分类全连接层，将所述故障特征数据进行融合处理，得到融 合后的故障特征数据；
[0018]将融合后的故障特征数据输入所述输出层，得到所述地域分类差异。
[0019]在其中一个实施例中，所述断路器故障样本数据携带有地域标签，其中， 所述地域标签包括第一类地域标签或第二类地域标签，携带有所述第一类地域 标签的部分断路器故障样本数据携带有故障类型标签；
[0020]所述根据所述预测故障分类结果和所述预测地域识别结果，确定所述故障 诊断模型的模型损失，包括：
[0021]根据所述预测故障分类结果和所述断路器故障样本数据携带的故障类型标 签，确定所述故障分类子模型的模型损失；
[0022]根据所述地域分类差异和所述断路器故障样本数据携带的地域标签，确定 所述地域分类单元的模型损失；
[0023]根据所述地域分布差异距离，确定所述地域分布差异度量单元的模型损失。
[0024]在其中一个实施例中，所述基于模型损失调整所述故障诊断模型的模型参 数，继续训练，直到所述故障诊断模型收敛，得到训练完成的故障诊断模型的 步骤包括：
[0025]根据所述预测故障分类结果与所述故障类型标签的偏差，调整所述故障分 类子模型的模型参数，直到训练完成得到训练好的故障分类子模型；
[0026]根据所述地域分类差异与所述地域标签的偏差，调整所述地域分类单元的 模型参数，直到训练完成得到训练好的地域分类单元；
[0027]最小化所述地域分布差异距离，以调整所述地域分布差异度量单元的模型 参数，直到训练完成得到训练好的地域分布差异度量单元；
[0028]根据所述特征提取子模型、训练好的故障分类子模型、训练好的地域分类 单元和训练好的地域分布差异度量单元得到训练完成的故障诊断模型。
[0029]第二方面，本申请还提供了一种故障诊断方法，包括：
[0030]采集断路器故障样本数据，并将所述断路器故障样本数据输入采用上述任 一实施例所述的方法训练得到的故障诊断模型，得到所述断路器故障样本数据 对应的故障类型。
[0031]第三方面，本申请还提供了一种故障诊断模型训练装置，包括：
[0032]第一采集模块，用于采集多个断路器故障样本数据；
[0033]生成模块，用于将所述断路器故障样本数据输入特征提取子模型，生成对 应的故障特征数据；
[0034]第一输入模块，用于将所述故障特征数据分别输入故障分类子模型和地域 自适应子模型，得到对应的预测故障分类结果和预测地域识别结果；
[0035]确定模块，用于根据所述预测故障分类结果和所述预测地域识别结果，确 定所述故障诊断模型的模型损失；
[0036]模型生成模块，用于在所述模型损失的约束下，根据所述断路器故障样本 数据对所述故障诊断模型进行迭代训练，直到所述故障诊断模型收敛，得到训 练完成的故障诊断模型。
[0037]第四方面，本申请还提供了一种故障诊断装置，包括：
[0038]第二采集模块，用于采集断路器故障样本数据；
[0039]第二输入模块，用于将所述断路器故障样本数据输入采用上述任一实施例 所述的方法训练得到的故障诊断模型，得到所述断路器故障样本数据对应的故 障类型。
[0040]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 实现上述任一实施例所述的故障诊断模型训练方法或上述任一实施例所述的故 障诊断方法。
[0041]第六方面，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上述任 一实施例所述的故障诊断模型训练方法或上述任一实施例所述的故障诊断方法。
[0042]第七方面，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，该计算机程序产品被处理器执行时实现上述任一实施例所述 的故障诊断模型训练方法或上述任一实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障诊断模型训练方法，其特征在于，所述故障诊断模型包括特征提取子模型、故障分类子模型和地域自适应子模型，所述方法包括：获取多个断路器故障样本数据；将所述断路器故障样本数据输入所述特征提取子模型，生成对应的故障特征数据；将所述故障特征数据分别输入所述故障分类子模型和所述地域自适应子模型，得到对应的预测故障分类结果和预测地域识别结果；根据所述预测故障分类结果和所述预测地域识别结果，确定所述故障诊断模型的模型损失；基于所述模型损失调整所述故障诊断模型的模型参数，继续训练，直到所述故障诊断模型收敛，得到训练完成的故障诊断模型。2.根据权利要求1所述的方法，其特征在于，所述地域自适应子模型包括地域分类单元和地域分布差异度量单元；将所述故障特征数据输入所述地域自适应子模型，得到对应的预测地域识别结果的步骤包括：将所述故障特征数据输入所述地域分类单元，得到所述预测地域识别结果中的地域分类差异；将所述故障特征数据输入所述地域分布差异度量单元，得到所述预测地域识别结果中的地域分布差异距离。3.根据权利要求2所述的方法，其特征在于，所述地域分类单元包括地域分类全连接层和输出层；将所述故障特征数据输入所述地域分类单元，得到所述预测地域识别结果中的地域分类差异的步骤包括：基于所述地域分类全连接层，将所述故障特征数据进行融合处理，得到融合后的故障特征数据；将融合后的故障特征数据输入所述输出层，得到所述地域分类差异。4.根据权利要求2所述的方法，其特征在于，所述断路器故障样本数据携带有地域标签，其中，所述地域标签包括第一类地域标签或第二类地域标签，携带有所述第一类地域标签的部分断路器故障样本数据携带有故障类型标签；所述根据所述预测故障分类结果和所述预测地域识别结果，确定所述故障诊断模型的模型损失，包括：根据所述预测故障分类结果和所述断路器故障样本数据携带的故障类型标签，确定所述故障分类子模型的模型损失；根据所述地域分类差异和所述断路器故障样本数据携带的地域标签，确定所述地域分类单元的模型损失；根据所述地域分布差异距离，确定所述地域分布差异度量单元的模型损失。5.根据权利要求2所述的方法，其特征在于，所述基于模型损失调整所述故障诊断模型的模型参数，继续训练，直到所述故障诊断模型收敛，得到训练...

【专利技术属性】
技术研发人员：胡冉，厉冰，陈昆，黄湛华，马楠，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：