本申请公开了一种故障诊断方法、装置及电子设备,该方法包括:获取包括时域信号和/或频域信号的待诊断数据;基于目标模型中的空间特征提取模块,提取待诊断数据的空间特征,得到第一输出向量;基于目标模型中的时序特征提取模块,提取第一输出向量的时序特征,得到第二输出向量;基于第二输出向量,得到待诊断数据对应的故障诊断结果。通过本申请实施例提供的技术方案,充分利用了待诊断数据的特征,提升了旋转机械设备的故障诊断的准确性。
【技术实现步骤摘要】
本申请涉及深度学习,尤其涉及一种故障诊断方法、装置及电子设备。
技术介绍
1、工业生产中的关键设备包括旋转机械设备,如汽轮机、风机、泵机等旋转机械设备。前述旋转机械设备在恶劣的工作环境和长时间的运行下,容易出现故障,导致旋转机械设备所在机组意外停机,从而产生较高的设备运行和维护成本。因此,针对旋转机械设备进行故障诊断具有重要意义。
2、旋转机械设备的传统故障诊断方法包括卷积神经网络(英文全称:convolutionalneural networks,简称为:cnn)、transformer等。
3、在采用上述传统故障诊断方法对旋转机械设备进行故障诊断时,首先通过上述传统故障诊断方法提取旋转机械设备对应的振动信号的信号特征,再基于提取的信号特征确定旋转机械设备对应的故障诊断结果。
4、上述振动信号的信号特征既包括空间特征,又包括时序特征。其中,空间特征为不依赖时间的特征,如振动信号的峰值、振动信号的谷值等。然而,包括cnn与transformer的传统故障诊断方法受自身结构影响,在提取振动信号的信号特征时,只能提取信号特征中的空间特征或时序特征。因此,上述传统故障诊断方法难以充分利用振动信号的信号特征,从而导致旋转机械设备的故障诊断的准确性较低。
技术实现思路
1、本申请提供了一种故障诊断方法、装置及电子设备,用以解决传统故障诊断方法难以充分利用旋转机械设备对应的振动信号的信号特征,导致旋转机械设备的故障诊断的准确性较低的问题。具体实现方案如下:</p>2、第一方面,本申请提供了一种故障诊断方法,所述方法包括:
3、获取包括时域信号和/或频域信号的待诊断数据;
4、基于目标模型中的空间特征提取模块,提取所述待诊断数据的空间特征,得到第一输出向量;
5、基于所述目标模型中的时序特征提取模块,提取所述第一输出向量的时序特征,得到第二输出向量;
6、基于所述第二输出向量,得到所述待诊断数据对应的故障诊断结果。
7、通过上述申请实施例,在获取包括时域信号和/或频域信号的待诊断数据后,首先基于目标模型中的空间特征提取模块,提取待诊断数据的空间特征,得到第一输出向量。即使空间特征提取模块(如cnn)无法提取待诊断数据的时序特征,但空间特征提取模块在提取待诊断数据的空间特征时,不会丢失待诊断数据的时序特征,因此,得到的第一输出向量仍隐含了待诊断数据的时序特征。然后,通过时序特征提取模块(如transformer)来提取该第一输出向量中隐含的时序特征,再基于时序特征提取模块提取第一输出向量中隐含的时序特征后得到的第二输出向量,得到了待诊断数据对应的故障诊断结果,从而避免了传统故障诊断方法未能充分利用待诊断数据的空间特征与时序特征的问题,进而提高了故障诊断的准确性。
8、在一种可能的实施方式中,在所述获取包括时域信号和/或频域信号的待诊断数据之前,还包括:
9、获取待诊断原始数据;
10、对所述待诊断原始数据进行预处理,得到所述时域信号;其中,所述预处理至少包括数据清洗处理与归一化处理;
11、将所述时域信号转化为所述频域信号,生成至少包括所述时域信号与所述频域信号的所述待诊断数据。
12、通过上述申请实施例,针对获取的待诊断原始数据,进行预处理(如数据清洗处理、归一化处理),使得得到的时域信号的质量得以提高,从而有利于提高故障诊断的准确性。然后,在得到时域信号后,将该时域信号转化为频域信号,生成至少包含时域信号与频域信号的待诊断数据,从而扩充了待诊断数据中的数据信息,有利于进一步地提高故障诊断的准确性。
13、在一种可能的实施方式中,所述第一输出向量包括时域输出向量与频域输出向量,所述空间特征提取模块包括第一空间特征提取模块与第二空间特征提取模块,则所述基于目标模型中的空间特征提取模块,提取所述待诊断数据的空间特征,得到第一输出向量,包括:
14、基于所述目标模型中的所述第一空间特征提取模块,提取所述时域信号的空间特征,得到所述时域输出向量;以及
15、基于所述目标模型中的所述第二空间特征提取模块,提取所述频域信号的空间特征,得到所述频域输出向量。
16、通过上述申请实施例,基于目标模型中的第一空间特征提取模块,提取待诊断数据中的时域信号的空间特征,得到时域输出向量,并基于目标模型中的第二空间特征提取模块,提取待诊断数据中的频域信号的空间特征,得到频域输出向量,使得包括时域输出向量与频域输出向量的第一输出向量包含了待诊断数据中更多的信息,有利于目标模型更全面地学习到待诊断数据的特征,从而进一步地提高旋转机械设备的故障诊断的准确性。
17、在一种可能的实施方式中,所述基于所述目标模型中的时序特征提取模块,提取所述第一输出向量的时序特征,得到第二输出向量,包括:
18、融合所述时域输出向量与所述频域输出向量,生成融合向量;
19、针对所述融合向量进行归一化,得到归一化向量;
20、基于所述目标模型中的所述时序特征提取模块,提取所述归一化向量的时序特征,得到所述第二输出向量。
21、通过上述申请实施例,在第一输出向量包括时域输出向量与频域输出向量时,融合该时域输出向量与频域输出向量,生成融合向量,从而实现了时域信号的特征与频域信号的特征的融合,使得目标模型在进行故障诊断时,可以同时考虑时域信号的特征与频域信号的特征,为目标模型的学习提供了更全面的信息,进而使得故障诊断的准确性得以进一步地提高。
22、并且,在生成融合向量后,针对该融合向量进行归一化,使得目标模型中的时序特征提取模块不受融合向量中不同特征之间的量纲差异的影响,确保融合向量中的特征具有可比性,从而提升目标模型的性能。同时,通过对融合向量的归一化处理,还可以提高目标模型中的时序特征提取模块在训练过程中的收敛速度。
23、然后,在得到归一化向量后,再通过时序特征提取模块提取归一化向量的时序特征,以使目标模型可以更好地学习到待诊断数据的特征,从而有利于目标模型更充分地利用待诊断数据的特征,以便于进一步地提高目标模型对旋转机械设备进行故障诊断的准确性。
24、在一种可能的实施方式中,所述基于所述第二输出向量,得到所述待诊断数据对应的故障诊断结果,包括:
25、将所述第二输出向量输入所述目标模型中的故障诊断结果映射模块,输出所述待诊断数据对应的故障诊断结果。
26、通过上述申请实施例,在得到第二输出向量后,通过目标模型中的故障诊断结果映射模块,将第二输出向量映射为了待诊断数据对应的故障类型,从而得到了待诊断数据对应的故障诊断结果,以适应下游的分类任务(如旋转机械设备的故障分类任务)。
27、在一种可能的实施方式中,在所述得到所述待诊断数据对应的故障诊断结果之后,还包括:
28、获取包括目标时域信号和/或目标频域信号的目标待诊断数据;本文档来自技高网
...
【技术保护点】
1.一种故障诊断方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,在所述获取包括时域信号和/或频域信号的待诊断数据之前,还包括:
3.如权利要求1所述的方法,其特征在于,所述第一输出向量包括时域输出向量与频域输出向量,所述空间特征提取模块包括第一空间特征提取模块与第二空间特征提取模块,则所述基于目标模型中的空间特征提取模块,提取所述待诊断数据的空间特征,得到第一输出向量,包括:
4.如权利要求3所述的方法,其特征在于,所述基于所述目标模型中的时序特征提取模块,提取所述第一输出向量的时序特征,得到第二输出向量,包括:
5.如权利要求1所述的方法,其特征在于,所述基于所述第二输出向量,得到所述待诊断数据对应的故障诊断结果,包括:
6.如权利要求1-5任一项所述的方法,其特征在于,在所述得到所述待诊断数据对应的故障诊断结果之后,还包括:
7.一种故障诊断装置,其特征在于,包括:
8.如权利要求7所述的装置,其特征在于,所述处理模块,具体用于获取包括目标时域信号和/或目标频域信号的目标待诊断数据;
9.一种电子设备,其特征在于,包括:
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。
...
【技术特征摘要】
1.一种故障诊断方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,在所述获取包括时域信号和/或频域信号的待诊断数据之前,还包括:
3.如权利要求1所述的方法,其特征在于,所述第一输出向量包括时域输出向量与频域输出向量,所述空间特征提取模块包括第一空间特征提取模块与第二空间特征提取模块,则所述基于目标模型中的空间特征提取模块,提取所述待诊断数据的空间特征,得到第一输出向量,包括:
4.如权利要求3所述的方法,其特征在于,所述基于所述目标模型中的时序特征提取模块,提取所述第一输出向量的时序特征,得到第二输出向量,包括:
5.如权利要求1所述的方...
【专利技术属性】
技术研发人员:陈辉,郭盛,代雅娇,李增祥,
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。