本申请涉及一种旋转机械设备的故障诊断方法及装置，其中，方法包括：接收所有工厂客户端传输的预测值和特征图；利用服务端故障诊断模型在第一预设公开验证集上预测获得预测值与特征图，对每个工厂客户端的故障诊断模型在第二预设公开验证集上进行知识蒸馏训练，以将每台旋转机械设备的振动信号输入至客户端故障诊断模型和/或服务端故障诊断模型，识别对应的旋转机械设备的实际故障。由此，解决了相关技术中，基于人工智能的旋转机械故障诊断方法，需要为每台机器训练一个独立的模型，导致泛化能力较差，无法处理设备间因结构和工作条件的不同引起的数据分布不同，难以实现多设备多故障诊断，无法协调计算资源，增加了通信开销等问题。销等问题。销等问题。
【技术实现步骤摘要】
旋转机械设备的故障诊断方法及装置
[0001]本申请涉及故障诊断
，特别涉及一种旋转机械设备的故障诊断方法及装置。
技术介绍
[0002]工业智能是人工智能与工业场景、机理、知识深度融合发展而成，实现模仿或超越人类感知、分析、决策等能力的技术，工业生产关键设备作为生产的驱动力，其智能化水平日益提高。近些年来，随着在线监测设备的普及，工业领域已经积累了大量的在线监测数据，但对这些数据的使用只停留于阈值报警层面，如何更加充分利用这些监测数据进行实时智能的故障诊断已成为一个紧迫而极具挑战性的问题。
[0003]相关技术中，可以基于采集的振动数据，通过基于深度学习、知识图谱与自动化机器学习算法的旋转机械故障诊断方法，如卷积神经网络、长短时记忆网络等进行旋转机械故障诊断，知识蒸馏默认教师模型(服务端大模型)是最优的，将知识直接蒸馏给学生模型(客户端小模型)。
[0004]然而，相关技术中，基于人工智能的旋转机械故障诊断方法，需要为每台机器训练一个独立的模型，导致泛化能力较差，无法处理设备间因结构和工作条件的不同引起的数据分布不同，难以实现多设备多故障诊断，无法协调计算资源，增加了通信开销，亟待改善。
技术实现思路
[0005]本申请提供一种旋转机械设备的故障诊断方法及装置，以解决相关技术中，基于人工智能的旋转机械故障诊断方法，需要为每台机器训练一个独立的模型，导致泛化能力较差，无法处理设备间因结构和工作条件的不同引起的数据分布不同，难以实现多设备多故障诊断，无法协调计算资源，增加了通信开销等问题。
[0006]本申请第一方面实施例提供一种旋转机械设备的故障诊断方法，包括以下步骤：基于预设公开数据集预训练服务端故障诊断模型；在所述服务端故障诊断模型预训练完成后，接收所有工厂客户端传输的预测值和特征图，并对所述预测值和所述特征图进行平均聚合，并将平均聚合后的预测值和特征图对在第一预设公开验证集上对所述服务端故障诊断模型进行知识蒸馏训练；以及在知识蒸馏训练后，利用所述服务端故障诊断模型在所述第一预设公开验证集上预测获得预测值与特征图，并将预测获得的预测值与特征图分别传输到所述所有工厂客户端，对每个工厂客户端的客户端故障诊断模型在第二预设公开验证集上进行知识蒸馏训练，以将每台旋转机械设备的振动信号输入至客户端故障诊断模型和/或服务端故障诊断模型，识别对应的旋转机械设备的实际故障。
[0007]可选地，在本申请的一个实施例中，所述服务端故障诊断模型或者所述客户端故障诊断模型的知识蒸馏训练损失函数为：
[0008]L＝L
cla
+L
KD
+L
feature
，
[0009]其中，L
cla
为分类损失，L
KD
为预测蒸馏损失，L
feature
为特征图蒸馏损失。
[0010]可选地，在本申请的一个实施例中，还包括：在所述每个工厂客户端的客户端故障诊断模型在所述第二预设公开验证集上预测获取的预测值和特征图并获取相应的样本索引后，接收所述每个工厂客户端的传输的所述第二预设公开验证集上预测获取的预测值和特征图。
[0011]可选地，在本申请的一个实施例中，在进行知识蒸馏训练之后，还包括：判断所述客户端故障诊断模型和/或所述服务端故障诊断模型是否满足预设模型收敛条件；如果满足所述预设模型收敛条件，则停止训练。
[0012]本申请第二方面实施例提供一种旋转机械设备的故障诊断装置，包括：第一训练模块，用于基于预设公开数据集预训练服务端故障诊断模型；第二训练模块，用于在所述服务端故障诊断模型预训练完成后，接收所有工厂客户端传输的预测值和特征图，并对所述预测值和所述特征图进行平均聚合，并将平均聚合后的预测值和特征图对在第一预设公开验证集上对所述服务端故障诊断模型进行知识蒸馏训练；以及诊断模块，用于在知识蒸馏训练后，利用所述服务端故障诊断模型在所述第一预设公开验证集上预测获得预测值与特征图，并将预测获得的预测值与特征图分别传输到所述所有工厂客户端，对每个工厂客户端的客户端故障诊断模型在第二预设公开验证集上进行知识蒸馏训练，以将每台旋转机械设备的振动信号输入至客户端故障诊断模型和/或服务端故障诊断模型，识别对应的旋转机械设备的实际故障。
[0013]可选地，在本申请的一个实施例中，所述服务端故障诊断模型或者所述客户端故障诊断模型的知识蒸馏训练损失函数为：
[0014]L＝L
cla
+L
KD
+L
feature
，
[0015]其中，L
cla
为分类损失，L
KD
为预测蒸馏损失，L
feature
为特征图蒸馏损失。
[0016]可选地，在本申请的一个实施例中，还包括：接收模块，用于在所述每个工厂客户端的客户端故障诊断模型在所述第二预设公开验证集上预测获取的预测值和特征图并获取相应的样本索引后，接收所述每个工厂客户端的传输的所述第二预设公开验证集上预测获取的预测值和特征图。
[0017]可选地，在本申请的一个实施例中，还包括：判断模块，用于在进行知识蒸馏训练之后，判断所述客户端故障诊断模型和/或所述服务端故障诊断模型是否满足预设模型收敛条件；停止模块，用于当满足所述预设模型收敛条件时，停止训练。
[0018]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的旋转机械设备的故障诊断方法。
[0019]本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的旋转机械设备的故障诊断方法。
[0020]本申请实施例可以对服务端故障诊断模型和客户端故障诊断模型分别进行知识蒸馏训练，传输相应的预测值和特征图，以进行知识传递，识别对应的旋转机械设备的实际故障，从而提升本地模型性能，保证旋转机械设备的安全可靠运行，协调计算资源，更好地利用服务端的算力与知识，减少通信开销。由此，解决了相关技术中，基于人工智能的旋转机械故障诊断方法，需要为每台机器训练一个独立的模型，导致泛化能力较差，无法处理设备间因结构和工作条件的不同引起的数据分布不同，难以实现多设备多故障诊断，无法协
调计算资源，增加了通信开销等问题。
[0021]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0022]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0023]图1为根据本申请实施例提供的一种旋转机械设备的故障诊断方法的流程图；
[0024]图2为根据本申请一个实施例的旋转机械设备的故障诊断方法的原理示意图；
[0025]图3为根据本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种旋转机械设备的故障诊断方法，其特征在于，包括以下步骤：基于预设公开数据集预训练服务端故障诊断模型；在所述服务端故障诊断模型预训练完成后，接收所有工厂客户端传输的预测值和特征图，并对所述预测值和所述特征图进行平均聚合，并将平均聚合后的预测值和特征图对在第一预设公开验证集上对所述服务端故障诊断模型进行知识蒸馏训练；以及在知识蒸馏训练后，利用所述服务端故障诊断模型在所述第一预设公开验证集上预测获得预测值与特征图，并将预测获得的预测值与特征图分别传输到所述所有工厂客户端，对每个工厂客户端的客户端故障诊断模型在第二预设公开验证集上进行知识蒸馏训练，以将每台旋转机械设备的振动信号输入至客户端故障诊断模型和/或服务端故障诊断模型，识别对应的旋转机械设备的实际故障。2.根据权利要求1所述的方法，其特征在于，所述服务端故障诊断模型或者所述客户端故障诊断模型的知识蒸馏训练损失函数为：L＝L
cla
+L
KD
+L
feature
，其中，L
cla
为分类损失，L
KD
为预测蒸馏损失，L
feature
为特征图蒸馏损失。3.根据权利要求1所述的方法，其特征在于，还包括：在所述每个工厂客户端的客户端故障诊断模型在所述第二预设公开验证集上预测获取的预测值和特征图并获取相应的样本索引后，接收所述每个工厂客户端的传输的所述第二预设公开验证集上预测获取的预测值和特征图。4.根据权利要求1所述的方法，其特征在于，在进行知识蒸馏训练之后，还包括：判断所述客户端故障诊断模型和/或所述服务端故障诊断模型是否满足预设模型收敛条件；如果满足所述预设模型收敛条件，则停止训练。5.一种旋转机械设备的故障诊断装置，其特征在于，包括：第一训练模块，用于基于预设公开数据集预训练服务端故障诊断模型；第二训练模块，用于在所述服务端故障诊断模型预训练完成后，接收所有工厂客户端传输的预测值和特征图，并对所述预测值和所述特征图进行平均聚合，并...
【专利技术属性】
技术研发人员：郭盛，陈辉，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。