故障检测方法、装置、电子设备及存储介质与流程

本申请涉及故障检测，尤其涉及一种故障检测方法、装置、电子设备及存储介质。

背景技术：

1、随着现代科学的不断进步及经济的快速发展，社会生产水平有了极大的提升，工业生产领域成为生产力主力，其关键设备主要为旋转机械，如电动机、发动机、传输轴等，若其发生故障但未能及时发现处理，将会造成经济损失，更有甚者会造成人员的伤亡。

2、旋转机械设备也朝着综合复杂化方向发展，设备模块间关联耦合性越来越强，基于故障机理分析的单一设备的故障诊断已不再适用复杂大型机械，现有技术在进行设备的故障诊断时，采用的故障检测模型存在计算参数过多的缺点，增加了故障检测模型的复杂度，使得故障检测模型的计算工程量巨大。

技术实现思路

1、有鉴于此，本申请的目的在于提出一种故障检测方法、装置、电子设备及存储介质，以克服现有技术中全部或部分不足。

2、基于上述目的，本申请提供了一种故障检测方法，包括：获取目标设备的多个检测点对应的运行数据；将多个运行数据输入至经过预训练的故障检测模型，所述故障检测模型按照所述运行数据的传输顺序至少包括输入层、多头注意力机制层、多个特征提取层、全连接层以及输出层；通过所述多头注意力机制层计算每个所述运行数据的权重，基于权重对多个运行数据进行融合；通过多个特征提取层、所述全连接层对经过融合的运行数据进行特征提取和分类，并经由所述输出层输出所述目标设备的故障概率。

3、可选地，所述故障检测模型为wdcnn模型，所述特征提取层依次包括卷积层和池化层。

4、可选地，通过所述多头注意力机制层计算每个所述运行数据的权重，基于所述权重对多个运行数据进行融合，包括：将所述运行数据与对应的权重值相乘，以得到乘积值；将多个所述乘积值合并成乘积值矩阵；对所述乘积值矩阵进行线性变换操作，以得到经过融合的运行数据。

5、可选地，按照运行数据的传输顺序，首个特征提取层包括宽卷积层和池化层，其他特征提取层包括窄卷积层和池化层，通过多个特征提取层、所述全连接层对经过融合的运行数据进行特征提取和分类，并经由所述输出层输出所述目标设备的故障概率，包括：通过所述宽卷积层对所述经过融合的运行数据进行短时特征提取操作，以得到特征图，其中，所述短时特征提取为抑制高频噪声提取中低频信号的操作；将所述特征图依次在其他特征提取层中进行传输，以得到目标特征图，其中，通过每个窄卷积层对当前特征图执行卷积操作，以及通过每个池化层对当前特征图执行特征放大操作；通过所述全连接层对所述目标特征图执行逻辑回归计算，得到所述目标设备的故障概率，经由所述输出层输出所述故障概率。

6、可选地，将多个所述乘积值合并成乘积值矩阵，包括：通过以下计算公式得到所述乘积值矩阵：

7、u1＝qkt,(batch,nq,nk)

8、

9、u3＝u2.masked_fill(mask,-∞)

10、a＝softmax(u3)

11、output＝av

12、其中，u1为矩阵一，u2为矩阵二，u3为矩阵三，n为向量中表征值的个数，d表示为向量的数据的维度，q为查询故障特征参数值，k为所述运行数据的键值，v为所述运行数据，a为权重矩阵，output为所述乘积值矩阵。

13、可选地，还包括：通过每个窄卷积层对当前特征图执行卷积操作，得到中间特征图，通过以下公式得到所述中间特征图，其中，和blj分别表示第l层窄卷积层中的第j个卷积核的权重和偏置，j为第l层窄卷积层的卷积核的数量，s为步长，k为第l层窄卷积层的卷积核的大小，q为第l-1层窄卷积层的卷积核的个数，表示第l-1层窄卷积层输出的第q个尺寸为m的中间特征图，表示第l层窄卷积层输出的第j个尺寸为i的中间特征图，i为所述中间特征图的尺寸大小，p为填补尺寸。

14、可选地，所述故障检测模型的预训练方法包括：获取设备的历史故障数据；基于所述历史故障数据采用对抗网络生成训练样本；将所述训练样本按预设比例随机划分为训练集数据和测试集数据；初始化所述故障检测模型的权重，采用所述训练集数据对所述故障检测模型进行迭代训练；基于所述测试集数据对经过迭代训练的所述故障检测模型进行测试，得到测试精度，当所述测试精度大于预设精度时，得到训练完成的所述故障检测模型。

15、基于同一发明构思，本申请还提供了一种故障检测装置，包括获取模块，被配置为获取目标设备的多个检测点对应的运行数据；输入模块，被配置为将多个运行数据输入至经过预训练的故障检测模型，所述故障检测模型按照所述运行数据的传输顺序至少包括输入层、多头注意力机制层、多个卷积层、多个池化层、全连接层以及输出层；融合模块，被配置为通过所述多头注意力机制层计算每个所述运行数据的权重，基于权重对多个运行数据进行融合；输出模块，被配置为通过多个卷积层、多个池化层、所述全连接层对经过融合的运行数据进行特征提取和分类，并经由所述输出层输出所述目标设备的故障概率。

16、基于同一发明构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。

17、基于同一发明构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。

18、从上面所述可以看出，本申请提供的故障检测方法、装置、电子设备及存储介质，通过获取目标设备的多个检测点对应的运行数据，实现了检测数据的多源化，减少了单一检测数据带来的不准确性；将多个运行数据输入至预训练的故障检测模型，其中，故障检测模型包括多头注意力机制层，多头注意力机制层用于计算每个运行数据的权重，基于权重对多个运行数据进行融合，实现了多源的运行数据进行融合；通过多个特征提取层、所述全连接层对经过融合的运行数据进行特征提取和分类，减少了故障检测模型的模型参数过多的问题，降低了故障检测模型的复杂度。

技术特征：

1.一种故障检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述故障检测模型为wdcnn模型，所述特征提取层依次包括卷积层和池化层。

3.根据权利要求1所述的方法，其特征在于，通过所述多头注意力机制层计算每个所述运行数据的权重，基于所述权重对多个运行数据进行融合，包括：

4.根据权利要求1所述的方法，其特征在于，按照运行数据的传输顺序，首个特征提取层包括宽卷积层和池化层，其他特征提取层包括窄卷积层和池化层，通过多个特征提取层、所述全连接层对经过融合的运行数据进行特征提取和分类，并经由所述输出层输出所述目标设备的故障概率，包括：

5.根据权利要求3所述的方法，其特征在于，将多个所述乘积值合并成乘积值矩阵，包括：

6.根据权利要求4所述的方法，其特征在于，还包括：通过每个窄卷积层对当前特征图执行卷积操作，得到中间特征图，通过以下公式得到所述中间特征图，

7.根据权利要求1所述的方法，其特征在于，所述故障检测模型的预训练方法包括：

8.一种故障检测装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。

技术总结
本申请提供一种故障检测方法、装置、电子设备及存储介质，所述方法包括获取目标设备的多个检测点对应的运行数据；将多个运行数据输入至经过预训练的故障检测模型，所述故障检测模型按照所述运行数据的传输顺序至少包括输入层、多头注意力机制层、多个特征提取层、全连接层以及输出层；通过所述多头注意力机制层计算每个所述运行数据的权重，基于权重对多个运行数据进行融合；通过多个特征提取层、所述全连接层对经过融合的运行数据进行特征提取和分类，并经由所述输出层输出所述目标设备的故障概率，解决了现有技术中故障检测模型的模型参数过多的技术问题，降低了故障检测模型的复杂度。

技术研发人员：郑凤,倪斌
受保护的技术使用者：南京上铁电子工程有限公司
技术研发日：
技术公布日：2024/1/12