基于主动学习的自适应故障诊断方法、装置及相关介质与流程

1.本发明涉及设备检测技术领域，特别涉及基于主动学习的自适应故障诊断方法、装置及相关介质。


背景技术：

2.设备的运维管理是企业工厂稳定运作的一个至关重要的环节，随着工业革命不断向前发展，传统型的设备管理方式逐步向自动化方向转变。以往对于设备的运维大多依赖于人工经验，因无法及时获取设备故障信息，一般都会采取计划维修、事后维修等方式，这种处理方式的后果就会造成过度维修、资源浪费或者带来安全事故。近几年随着“智慧工厂”的普及，越来越多的工厂开始依赖人工智能、模型机理、大数据等技术，采用智能算法模型对设备状态进行有效的监控管理。
3.设备故障诊断一直都是设备管理的核心部分，目前对于故障诊断常用的方法有根据设备机理的纯物理模型，有对采集到的信号数据进行频谱分析，根据频率或者幅值等大小结合阈值对设备故障进行判断。除此之外还有比较流行的卷积神经网络、对抗迁移等模型对设备故障类型进行自动化诊断。但是传统的机理模型需要明白设备机理，很大程度上要依赖专家经验，对于普通人员难度较大；频谱分析方法对于一般常见的故障类型可以进行大致判断，但是对于复杂的信号数据效果就会大打折扣；对于流行的神经网络模型来说，模型虽然实现了自动化诊断，但是此类模型需要大量人工标记的故障数据，成本较高。然而在实际的生产环境中，故障发生频次不高，故障数据积累较少，那么如何在少量的故障数据下建立出一个精确度较高的故障诊断模型是本领域技术人员需要解决的问题。


技术实现要素：

4.本发明实施例提供了一种基于主动学习的自适应故障诊断方法、装置、计算机设备及存储介质，旨在提高对于设备的故障诊断精度和效率。
5.第一方面，本发明实施例提供了一种基于主动学习的自适应故障诊断方法，包括：
6.获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
7.通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
8.对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
9.通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
10.利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
11.第二方面，本发明实施例提供了一种基于主动学习的自适应故障诊断装置，包括：
12.数据获取单元，用于获取设备的历史故障数据，其中，所述历史故障数据包括源域
和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
13.数据采样单元，用于通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
14.数据合并单元，用于对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
15.模型构建单元，用于通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
16.诊断分类单元，用于利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
17.第三方面，本发明实施例提供了一种计算机设备，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计算机程序时实现如第一方面所述的基于主动学习的自适应故障诊断方法。
18.第四方面，本发明实施例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如第一方面所述的基于主动学习的自适应故障诊断方法。
19.本发明实施例提供了一种基于主动学习的自适应故障诊断方法、装置、计算机设备及存储介质，该方法包括：获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。本发明实施例通过基于能量的采样策略选取有价值的故障数据，并在标注标签后与源域中的故障数据一并用于故障诊断模型的训练学习，如此可以提高对于设备的故障诊断精度和效率。
附图说明
20.为了更清楚地说明本发明实施例技术方案，下面将对实施例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例，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。
21.图1为本发明实施例提供的一种基于主动学习的自适应故障诊断方法的流程示意图；
22.图2为本发明实施例提供的一种基于主动学习的自适应故障诊断方法的子流程示意图；
23.图3为本发明实施例提供的一种基于主动学习的自适应故障诊断装置的示意性框图；
24.图4为本发明实施例提供的一种基于主动学习的自适应故障诊断装置的子示意性框图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中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。
26.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
27.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
28.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.下面请参见图1，图1为本发明实施例提供的一种基于主动学习的自适应故障诊断方法的流程示意图，具体包括：步骤s101～s105。
30.s101、获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
31.s102、通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
32.s103、对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
33.s104、通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
34.s105、利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
35.本实施例中，首先获取历史故障数据，该历史故障数据包括带有标签的故障数据(即所述源域)和未带有标签的故障数据(即所述目标域)，并基于能量的采样策略从所述目标域中选取有价值的故障数据作为目标样本集合，以将其和源域中的故障数据组合为样本数据集，从而利用该样本数据集进行模型训练，以构建得到所述故障诊断模型，进而可以利用该故障诊断模型对指定的设备进行故障诊断分类。
36.本实施例通过基于能量的采样策略选取有价值的故障数据，并在标注标签后与源域中的故障数据一并用于故障诊断模型的训练学习，如此可以提高对于设备的故障诊断精度和效率。
37.工厂设备在日常的运作中会产生大量的数据，并且会通过传感器采集返回到前端供工作人员分析使用。这些数据从各个角度(例如温度、转速、振动等)反映了设备状态，且都没有标签，运维人员需要做的就是根据这些无标签数据去监控设备状态，实时检测设备是否出现故障，进一步，如果设备出现故障，及时判断属于哪种故障类型，后续可以制定有效的维修计划，这样就可以做到实时把控设备状态，减少因设备突发故障反应不及时而带来的损失。
38.基于上述情况，本发明实施例提出了一种基于主动学习的自适应故障诊断方法，
用于对实时获取到的没有标签的设备状态数据进行故障诊断。首先根据以往的历史故障数据积累会获取到少部分带有标签的故障数据，里面会有设备常见的几种故障类型，这些故障数据所研究的领域称为源域(source)，而本实施例所研究的设备无标签故障诊断问题为目标域(target)，要解决的问题是在给定一组设备运行数据时，需要通过故障诊断模型匹配出“正确的”故障类型(标签)。而基于能量的模型(ebm)会寻找出一个恰当的能量函数，使样本中正确的输入输出的能量比错误的输入输出的能量低，在这一思想下，本发明实施例提出了一种基于“能量”策略的主动学习故障诊断方法。即首先根据“能量”策略在无标签的目标域中选取有价值的样本进行标注，将新获得的有标签的样本加入到原有的带有标签的故障数据中进行训练，最终训练出的模型给正确标签的能量最低，给其他错误标签能量更高，以此下去通过模型不断的迭代更新，有标签的样本会越来越多。当有标签的样本积累到一定数量时，再通过机器学习模型完成故障诊断。此方法极大减少了人工标注的成本，在少量样本的基础上完成了自动化故障诊断。
39.在一实施例中，如图2所示，所述s102包括：步骤s201～s203。
40.s201、对所述目标域中的每一故障数据计算自由能，并对计算结果进行排序，以选取自由能最大的前a％的故障数据作为第一候选样本集合；
41.s202、对所述第一候选样本集合中的每一故障数据计算不确定性，并对计算结果进行排序，以选取不确定性最大的前b％的故障数据作为第二候选样本集合；
42.s203、重复执行选取自由能最大的前a％的故障数据和不确定性最大的前b％的故障数据，直至所述第二候选样本集合中的故障数据满足预设数量要求，并将所述第二候选样本集合作为所述所述目标样本集合。
43.本实施例中，在对目标域进行采样时，将源域记为s，目标域记为t，其中，t＝t
l
∪tu，t
l
为目标域中被选为样本的集合，tu为未被选样本的集合，初始化并根据样本被选择的不确定性情况下，完成采样过程。具体来说，首先计算tu的每个故障数据的自由能大小，并将自由能从大到小进行排列，然后选取前a％的故障数据作为第一候选样本集合；接着，计算第一候选样本集合中每个故障数据的不确定性，同样地把结果按照大到小进行排列，并选取前b％的故障数据作为第二候选样本集合，记为此时重复进行上述操作，直到挑选出来的t
l
中样本数量满足既定的要求。
44.在一实施例中，所述s201包括：
45.按照下式计算所述目标域中每一故障数据的出现概率p(x)：
46.p(x)＝∑yp(x，y)＝∑yexp(-e(x，y))/z
47.式中，x表示输入的故障数据，y表示输出的标签，e(x，y)表示能量函数，p(x，y)表示联合概率密度函数，z＝∑
x
∑yexp(-e(x，y))表示配分函数；
48.以及，按照下式计算所述目标域中每一故障数据的出现概率p(x)：
[0049][0050]
式中，f(x)表示自由能函数；
[0051]
建立所述能量函数e(x，y)和自由能函数f(x)的关系：
[0052]
f(x)＝-logσyexp(-e(x，y))
[0053]
按照下式，采用线性网络对所述目标域中的故障数据进行采样：
[0054][0055][0056]
式中，e(x，y，w)表示线性网络下的能量函数，f(x，w)表示线性网络下的自由能函数，w＝(w1，w2…
wm)∈rm×n表示线性网络的参数权重矩阵，m表示故障数据的数量，n表示维度，t表示转置运算，j表示第j个故障类别。
[0057]
进一步的，所述s202包括：
[0058]
按照下式，对每一故障数据计算不确定性u(x)：
[0059][0060]
式中，e(x，y
*
，w)表示最低能量值的能量函数，e(x，y
′
，w)表示最低能量值的能量函数，y
*
＝argminye(x，y，w)表示最低能量值的故障标签，e(x，y，w)表示最低能量值的故障标签，表示次最低能量值的故障标签。
[0061]
本实施例中，考虑到设备故障诊断任务本质上是一个多分类问题，即根据运行的数据去判断设备运行是否出现问题，或者出现问题属于哪种故障问题。因此在建立故障诊断模型的过程中，模型的输入就是设备运行数据，对设备重要部位例如输入轴、输出轴、各级传动轴等测点安装传感器，采集到的各测点振动信号数据便是所要分析的数据。
[0062]
整个模型的构建主要是基于主动学习方法来完成。在实际生产中，设备的运行状态往往都是正常的，发生故障的次数很少，因此故障数据积累量很少，此时仅仅根据这极少量的样本构建模型会极其困难。而主动学习(active learning)方法可以在没有标签的目标域中选取有价值的样本去进行人工标注，在扩充有标签样本的同时很大程度上可以减少人工标注成本。主动学习方法采样策略有很多，不同于以往方法，本实施例基于能量模型的思想来进行采样，在采样的过程中，通过减少源域和目标域之间能量分布的差异来进行合理的采样，挑选“最有价值样本”。在基于能量模型(energy based model)中，能量模型的本质就是寻找一个恰当的能量函数，使样本中正确的输入输出的能量比错误的输入输出的能量低，而设备故障诊断任务其实就是给模型的输入匹配出一个正确的故障诊断结果(标签)。在这里将采集的振动信号作为模型的输入记为x，输出的标签记为y，y∈(1，2
…
m)，能量函数记为e(x，y)，则在目标域中每个目标样本的出现概率为：
[0063]
p(x)＝∑yp(x，y)＝∑yexp(-e(x，y))/z
ꢀꢀꢀ
(1)
[0064]
其中，p(x，y)是联合概率密度函数，z＝∑
x
∑yexp(-e(x，y))是配分函数，是一个平衡态统计物理学中经常应用到的概念，配分函数等价于自由能。
[0065]
根据能量函数的定义，仅用有标签的源域数据训练出来的模型能量分布是小于无标签的目标域的能量分布，目标域中能量越高的样本越能反映目标域信息，因此在这里将目标域中有价值的样本定义为能量函数较高的样本。(1)中配分函数z大小是固定的，能量函数e(x，y)越高，概率p越小，即概率较低的样本就是“最有价值样本”。由于z计算难度较高，而自由能函数f(x)是隐藏在能量模型的一个函数，同样可以反映样本出现的概率p(x)，公式如下：
[0066][0067]
综合式(1)和式(2)，可以写出能量函数e(x，y)和自由能函数f(x)之间的关系：
[0068]
f(x)＝-log∑yexp(-e(x，y))
ꢀꢀꢀ
(3)
[0069]
主动学习核心部分就是采用某种策略对目标域中的无标签的样本进行采样，之后将这部分有代表性的样本进行人工标注，使得有标签的样本数量越来越多，当样本数量积累到一定程度时就可以使用有监督的方法建立故障分类模型。在此步骤中定义了能量函数和自由能函数，后续基于能量采样过程是基于此部分定义来完成。
[0070]
为了简化采样过程，在这里使用单层线性网络来完成对目标域中样本的采样。此时线性网络的输入为源域样本x∈rn，维度为n，故障类型为y，y∈(1，2
…
m)。线性层的参数权重矩阵为w＝(w1，w2…
wm)∈rm×n，能量函数的本质是建立输入x和输出y的关系，这种关系给带有正确标签样本以较低的“能量”，给带有错误标签样本以较高的“能量”，把这种思想带入到单层线型网络中，可以将能量函数和自由能函数定义如下式子：
[0071][0072][0073]
在大多数情况下，源域和目标域的样本分布存在偏差，从能量角度解释就是自由能分布存在偏差，因此可以用自由能作为度量来反映域之间的差异，而且根据能量模型的定义能量函数会给输入的正确标签以最低能量，而源域中的数据都是积累的带有正确标签的数据，因此源域的自由能是低于目标域的自由能。为了提高故障诊断任务的精确性，就要尽可能的减少源域和目标域之间分布的差异，即尽可能地使域之间的自由能分布区域一致。本实施例的基于能量的采样策略就是挑选出那些目标域中具有较高自由能的样本，因为这些样本更能反映目标域的“特征”，也是更具代表性意义的典型样本，在采样的过程中，通过结合领域特征和实例不确定性来充分确保此类样本。在这里使用最低能量和次最低能量的差值来衡量样本被选择的不确定性u(x)，具体定义如下：
[0074][0075]
这里y
*
＝argminye(x，y，w)为对应最低能量值的故障标签，＝argminye(x，y，w)为对应最低能量值的故障标签，为对应次最低能量值的故障标签。
[0076]
在一实施例中，所述基于主动学习的自适应故障诊断方法还包括：
[0077]
按照下式，采用损失函数l
null
(x，y；w)对所述源域和目标域之间的自由能分布差异进行优化：
[0078]
l
null
(x，y；w)＝e(x，y；w)-f(x；w)
[0079]
以及，按照下式，采用正则化项l
fea
对所述源域和目标域之间的跨域分布进行校准：
[0080]
l
fea
(x，w)＝max(0，f(x，w)-δ)
[0081]
式中，δ＝e
x～s
f(x，w)，表示平均值；
[0082]
按照下式，结合损失函数l
null
(x，y；w)和正则化项l
fea
构建采样损失函数l，以对采样过程进行优化：
[0083][0084]
式中，τ表示初始化的超参数，s∪t
l
表示所述源域和所述目标样本集合的集合。
[0085]
本实施例中，为了减少领域之间自由能分布的差异，更好实现领域之间自适应问题，故定义损失函数为l
null
(x，y；w)。同时，为了进一步减少分布偏差，加入正则化项l
fea
，在一定程度上可以校准跨域分布。那么，结合损失函数l
null
(x，y；w)和正则化项l
fea
即可得到采样损失函数，从而利用采样损失函数对采用过程进行优化。
[0086]
在一实施例中，所述s104包括：
[0087]
采用深度残差网络对所述样本数据进行特征提取，得到对应的特征向量；
[0088]
将所述特征向量输入至xgboost模型中，由所述xgboost模型输出所述特征向量对应的分类结果，并将所述分类结果作为所述样本数据对应的故障诊断分类结果。
[0089]
本实施例中，经过前面的步骤可以从原有的无标签的目标域中挑选出具有价值的样本来进行标注，至此有标签的样本得到了扩充，当有标签的样本量积累到一定程度时就可以使用有监督的学习方法对设备故障进行诊断分类。
[0090]
设备采集到的振动等信号数据一般来说比较复杂，包含着时域信息和频域信息，再加上外部噪声或者其他因素的影响，里面包含的信息较为复杂，采用普通的信号分解来提取特征显得有点吃力。在这里本实施例采用图像处理领域中的深度残差网络(resnet)来对有标签的样本数据进行深层次的特征提取，深度残差网络(resnet)比之前的卷积网络更加稳定，更有利于提取更深层次的特征。然后将特征向量作为xgboost模型的输入，由xgboost模型完成故障的多分类诊断任务。
[0091]
因此故障分类的任务由resnet+xgboost共同完成，其中，resnet负责对输入的样本数据进行深层次的特征提取，获得特征向量，后续故障诊断结果由xgboost模型来完成，xgboost模型对于多分类任务有着良好的表现，可以实现设备的故障诊断目标。
[0092]
本实施例针对设备故障诊断任务提出了一种基于主动学习自适应的故障诊断方法。该方法针对实际中故障数据量少无法使用有监督学习方法直接建立故障分类模型的问题，提出了基于“能量”概念采样策略的主动学习方法。在建立线型网络的基础上，定义了线性网络中的能量函数和自由能函数，基于能量策略的采样过程通过选取有价值的目标样本减少了源域和目标域自由能分布差异实现领域间的自适应，并通过正则化项的设计进一步校准领域差异。将采样得到的有价值的样本进行标注，当样本积累到一定程度时使用resnet+xgboost实现最终的故障诊断分类。此方法在保证故障诊断精确度的情况下，比之前随机挑选数据进行标注更加科学有效，也更加节省大规模人工标注成本。
[0093]
在一实施例中，所述采用深度残差网络对所述样本数据进行特征提取，得到对应的特征向量，包括：
[0094]
按照下式，采用串联的残差单元对所述样本数据进行特征提取：
[0095]yl
＝h(x
l
)+f(x
l
，w
l
)
[0096]
x
l+1
＝f(y
l
)
[0097][0098]
式中，x
l
表示最终的提取得到的特征向量，x
l
和x
l+1
分别表示第l个残差单元的输入
和输出，w1为权重矩阵，f为残差函数，h(x
l
)＝x
l
表示恒等映射，f为激活函数。
[0099]
本实施例中，深度残差网络(resnet)由2个残差单元以串联的方式连接，且卷积核的大小都是3
×
3的，经过2个残差单元会得到特征向量表示。具体的，
[0100]
将经过前面步骤之后得到扩充的样本作为模型的输入x，故障标签为记为y，整个深度残差网络网络的构成由2个残差单元组成，单独的一个残差单元计算过程如下：
[0101]yl
＝h(x
l
)+f(x
l
，w
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0102]
x
l+1
＝f(y
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0103]
其中x
l
和x
l+1
分别表示的是第l个残差单元的输入和输出，w
l
是权重矩阵，f是残差函数，表示学习到的残差，而h(x
l
)＝x
l
表示恒等映射，f是激活函数(例如relu)。基于上式，可以求得从浅层l到深层l的学习特征为：
[0104][0105]
图3为本发明实施例提供的一种基于主动学习的自适应故障诊断装置300的示意性框图，该装置300包括：
[0106]
数据获取单元301，用于获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
[0107]
数据采样单元302，用于通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
[0108]
数据合并单元303，用于对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
[0109]
模型构建单元304，用于通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
[0110]
诊断分类单元305，用于利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
[0111]
在一实施例中，如图4所示，所述数据采样单元302包括：
[0112]
第一排序单元401，用于对所述目标域中的每一故障数据计算自由能，并对计算结果进行排序，以选取自由能最大的前a％的故障数据作为第一候选样本集合；
[0113]
第二排序单元402，用于对所述第一候选样本集合中的每一故障数据计算不确定性，并对计算结果进行排序，以选取不确定性最大的前b％的故障数据作为第二候选样本集合；
[0114]
重复执行单元403，用于重复执行选取自由能最大的前a％的故障数据和不确定性最大的前b％的故障数据，直至所述第二候选样本集合中的故障数据满足预设数量要求，并将所述第二候选样本集合作为所述所述目标样本集合。
[0115]
在一实施例中，所述第一排序单元401包括：
[0116]
第一概率计算单元，用于按照下式计算所述目标域中每一故障数据的出现概率p(x)：
[0117]
p(x)＝∑yp(x，y)＝∑yexp(-e(x，y))/z
[0118]
式中，x表示输入的故障数据，y表示输出的标签，e(x，y)表示能量函数，p(x，y)表示联合概率密度函数，z＝∑
x
∑yexp(-e(x，y))表示配分函数；
[0119]
第二概率计算单元，用于以及，按照下式计算所述目标域中每一故障数据的出现
概率p(x)：
[0120][0121]
式中，f(x)表示自由能函数；
[0122]
关系建立单元，用于建立所述能量函数e(x，y)和自由能函数f(x)的关系：
[0123]
f(x)＝-log∑yexp(-e(x，y))
[0124]
数据采样单元，用于按照下式，采用线性网络对所述目标域中的故障数据进行采样：
[0125][0126][0127]
式中，e(x，y，w)表示线性网络下的能量函数，f(x，w)表示线性网络下的自由能函数，w＝(w1，w2…
wm)∈rm×n表示线性网络的参数权重矩阵，m表示故障数据的数量，n表示维度，t表示转置运算，j表示第j个故障类别。
[0128]
在一实施例中，所述第二排序单元402包括：
[0129]
不确定性计算单元，用于按照下式，对每一故障数据计算不确定性u(x)：
[0130][0131]
式中，e(x，y
*
，w)表示最低能量值的能量函数，e(x，y
′
，w)表示最低能量值的能量函数，y
*
＝argminye(x，y，w)表示最低能量值的故障标签，e(x，y，w)表示最低能量值的故障标签，表示次最低能量值的故障标签。
[0132]
在一实施例中，所述基于主动学习的自适应故障诊断装置300还包括：
[0133]
第一优化单元，用于按照下式，采用损失函数l
null
(x，y；w)对所述源域和目标域之间的自由能分布差异进行优化：
[0134]
l
null
(x，y；w)＝e(x，y；w)-f(x；w)
[0135]
校准单元，用于以及，按照下式，采用正则化项l
fea
对所述源域和目标域之间的跨域分布进行校准：
[0136]
l
fea
(x，w)＝max(0，f(x，w)-δ)
[0137]
式中，δ＝e
x～s
f(x，w)，表示平均值；
[0138]
第二优化单元，用于按照下式，结合损失函数l
null
(x，y；w)和正则化项l
fea
构建采样损失函数l，以对采样过程进行优化：
[0139][0140]
式中，τ表示初始化的超参数，s∪t
l
表示所述源域和所述目标样本集合的集合。
[0141]
在一实施例中，所述模型构建单元304包括：
[0142]
第一特征提取单元，用于采用深度残差网络对所述样本数据进行特征提取，得到对应的特征向量；
[0143]
结果输出单元，用于将所述特征向量输入至xgboost模型中，由所述xgboost模型
输出所述特征向量对应的分类结果，并将所述分类结果作为所述样本数据对应的故障诊断分类结果。
[0144]
在一实施例中，所述第一特征提取单元包括：
[0145]
第二特征提取单元，用于按照下式，采用串联的残差单元对所述样本数据进行特征提取：
[0146]yl
＝h(x
l
)+f(x
l
，w
l
)
[0147]
x
l+1
＝f(y
l
)
[0148][0149]
式中，x
l
表示最终的提取得到的特征向量，x
l
和x
l+1
分别表示第1个残差单元的输入和输出，w
l
为权重矩阵，f为残差函数，h(x
l
)＝x
l
表示恒等映射，f为激活函数。
[0150]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0151]
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
[0153]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0154]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。