基于人工智能的设备故障诊断与识别方法及装置与流程

本发明涉及故障诊断，尤其涉及一种基于人工智能的设备故障诊断与识别方法及装置。

背景技术：

1、随着科技的发展和制造工艺的进步，设备的复杂度不断增加，在使用过程中的任何异常或故障不仅直接影响产品的使用，而且还可能造成严重的安全事故。经过长期的实践和经验，要使设备或系统能够安全、可靠、有效地运行，必须要对其进行故障检测与诊断。传统的故障诊断在操作时对技术人员水平要求较高，且不适用于更深层次的诊断场景，因此，故障诊断技术伴随着人工智能及其衍生物的不断发展，逐渐实现了向智能故障诊断方向的转型。

2、智能故障诊断的核心在于生成一个能够以“专家”身份来对设备进行故障诊断的实体，可以给出与传统专家检测相同的诊断结果。与此同时，随着机器学习不断地发展，其在故障诊断领域的表现也越来越优异。早期的故障检测与诊断主要依赖于专家或技术人员的决策，然而专业人员容易受到压力、疲劳、心理因素、自身知识水平、技能等影响，做出与实际状态相差较大的分析，从而产生错误的判断。随着技术的不断进步，待测对象不断复杂化、大型化、非线性化、系统化，建立精确的数学模型难度越来越大，各设备之间存在的耦合，使得模型难度也会成指数增加。

3、现有技术中，通常通过判断特征值是否异常来判断待测对象是否发生故障，该方法只是对待测对象的信号数据进行分析，对系统高维信号之间的耦合性和关联度挖掘不够，没有更加深入地利用待测对象的深层信息。此外，还可以通过机器学习来对数据进行分析，然而，传统的机器学习方法往往基于既得的监测数据，需要人工提取大量的特征，且模型的训练精度受训练样本的数量和质量的限制较大，对设备进行故障检测的精度难以进一步提高。

4、其中，现有的许多方法难以对设备故障数据进行深度特征提取，导致算法难以进行精准识别与分类。并且，在利用深度学习或神经网络进行设备故障识别时，传统的反向传播方式更新模型参数过程中，容易出现梯度消失和梯度爆炸的问题，使得模型训练效果差，识别精度低。此外，利用深度学习或神经网络进行设备故障识别时，常会出现局部最小化以及收敛速度慢的问题，对模型训练造成影响，严重影响设备故障的识别效率。且，在实际设备故障识别应用现场中，故障数据采集困难，各故障类别数据通常不均衡，算法存在执行能力弱、适应性不强、稳定性差等问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于人工智能的设备故障诊断与识别方法及装置，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，能够有效提高设备故障诊断任务中设备故障的识别精度。

2、第一方面，本发明实施例提供了一种设备故障诊断模型的训练方法，该方法包括：获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。

3、结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数的步骤，包括：将第一特征参数和第二特征参数输入至预设的深度神经网络，通过深度神经网络分别提取第一特征参数和第二特征参数包含的目标特征参数；其中，深度神经网络为利用粒子群算法处理的深度神经网络。

4、结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述方法还包括：将信号数据集输入至初始神经网络中，根据信号数据集和初始神经网络的神经元权重向量的欧氏距离，确定信号数据集和神经元权重向量对应的适应度函数；适应度函数中包括信号数据集和神经元权重向量的欧氏距离；根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量；根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元；对目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用粒子群算法对目标神经元的权重向量迭代处理，更新初始神经网络的神经元权重向量；以及，在迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括目标神经元的权重向量的深度神经网络。

5、结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，参数搜索包括第一分支搜索和第二分支搜索，第一分支搜索和第二分支搜索的分支方向不同；根据适应度函数和初始神经网络的神经元权重向量，利用粒子群算法对初始神经网络进行参数搜索，确定初始神经元权重向量的步骤，包括：针对初始神经网络的神经元权重向量，按照第一分支搜索指示的神经元权重向量的第一分支坐标值和适应度函数，确定对应的第一适应度值；以及，按照第二分支搜索指示的神经元权重向量的第二分支坐标值和适应度函数，确定对应的第二适应度值；根据第一适应度值和第二适应度值，确定参数搜索对应的更新粒子位置；更新粒子位置通过下述公式确定：

6、

7、其中，为更新粒子位置，为更新前的搜索粒子位置，为数学中的符号函数，为搜索步长，为第一适应度值，为第二适应度值，为搜索粒子随机向量；将更新粒子位置对应的神经元权重向量确定为初始神经元权重向量。

8、结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据初始神经元权重向量和信号数据集对应的数量积，从适应度函数中确定目标欧氏距离指示的目标神经元的步骤，包括：对信号数据集和初始神经元权重向量进行归一化处理，得到归一化信号数据集和归一化神经元权重向量；对归一化信号数据集和归一化神经元权重向量进行数量积矢量运算，确定数量积；将数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到目标神经元；其中，预设的数量积阈值对应于适应度函数中的目标欧氏距离。

9、第二方面，本发明实施例还提供一种设备故障诊断方法，该方法包括：获取目标设备的待测数据；将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果；其中，设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的；基于识别结果对目标设备进行故障诊断。

10、结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果的步骤，包括：对待测数据进行特征提取，得到待测数据包含的目标数据；利用设备故障诊断模型对目标数据进行分类，确定目标数据对应的分类结果；以及，确定目标数据对应的标准化权重；根据标准化权重对分类结果进行加权，得到识别结果。

11、结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，设备故障诊断模型配置有训练样本，训练样本包括目标特征参数；确定目标数据对应的标准化权重的步骤，包括：根据目标数据和训练样本的目标样本之间的距离，确定每个目标样本对应于目标数据的距离权重；其中，目标样本根据目标数据与设备故障诊断模型的训练样本之间的距离确定；距离权重通过下述公式确定：

12、

13、其中，为距离权重，为目标数据与第个目标样本的距离；，k为目标样本的数量，为近邻中最近的距离；为近邻中最远的距离；确定目标样本的样本类别对应于目标数据的类别权重；其中，类别权重通过样本类别对应于目标数据的频率权重和样本类别对应的调和参数确定；调和参数包括样本类别的样本数目在训练样本的总样本类别数目的占比；根据类别权重和距离权重计算标准化权重；标准化权重通过下述公式确定：

14、

15、其中，为标准化因子，且；为训练样本所有类别的总数，为距离权重，为类别c对应的类别权重，为样本类别。

16、第三方面，本发明实施例还提供一种设备故障诊断模型的训练装置，该装置包括：数据获取模块，用于获取预先采集的信号数据集；信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；数据提取模块，用于对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；训练模块，用于将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。

17、第四方面，本发明实施例还提供一种设备故障诊断装置，该装置包括：数据采集模块，用于获取目标设备的待测数据；执行模块，用于将待测数据输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测数据进行数据识别，并输出识别结果；其中，设备故障诊断模型为基于上述设备故障诊断模型的训练方法训练得到的；数据处理模块，用于基于识别结果对目标设备进行故障诊断。

18、本发明实施例带来了以下有益效果：本发明提供的一种基于人工智能的设备故障诊断与识别方法，包括设备故障诊断模型的训练方法和设备故障诊断方法，其中，设备故障诊断模型的训练方法在于对信号数据集进行特征提取后，将目标特征参数输入至初始分类器中进行分类训练，得到设备故障诊断模型，该设备故障诊断模型能够有效提高设备故障诊断任务中设备故障的识别精度。

19、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

20、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。