[發明專利]故障檢測模型的訓練方法和機電設備的故障檢測方法

有效

• 申請號: 201911065719.2
• 申請日: 2019-11-04
• 公開（公告）號: CN110781854B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 鄧剛;梁欣然
• 申請（專利權）人: 上海聯影智能醫療科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/02;G01H17/00
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 黃易

本申請涉及一種故障檢測模型的訓練方法和機電設備的故障檢測方法。故障檢測模型的訓練方法包括：獲取訓練信號數據；對訓練信號數據進行特征提取，得到第一信號特征；將訓練信號數據進行重構及分解，得到第二信號特征；對第一信號特征和第二信號特征按照預設的次序進行排列，將排列結果輸入初始故障檢測模型中，得到檢測結果；預設的次序表征第一信號特征和第二信號特征的重要程度；計算檢測結果與預設標簽之間的損失，根據損失對初始故障檢測模型進行訓練；當損失達到收斂時，初始故障檢測模型訓練完成，得到故障檢測模型。該方法在可提高訓練得到的故障檢測模型的精度，進而提高得到的檢測結果的準確性。

技術領域

本申請涉及計算機技術領域，特別是涉及一種故障檢測模型的訓練方法和機電設備的故障檢測方法。

背景技術

在工業領域中，機電設備可以幫助人們降低工作難度及提高工作效率，保證機電設備的正常工作狀態則至關重要，因此，有效的對機電設備進行故障檢測，可以提高機電設備的運轉安全性，減小事故發生的機率。機電設備在工作運轉時，通常會產生一系列的振動信號，基于振動信號進行分析可以確定機電設備的故障類型。

基于振動信號分析故障類型可以分為信號采集、特征提取和故障識別等步驟，傳統技術通常提取振動信號的時域、頻域及時頻域特征或者采用振動信號經過短時傅里葉變換或者小波變換等處理后的時頻圖輸入到故障檢測模型(如神經網絡模型)進行故障識別。

但是，由于基于卷積神經網絡的故障檢測模型對特征矩陣進行運算時，特征矩陣邊緣位置的信息會有一定損失，若該邊緣位置的信息比較重要，則導致傳統技術在故障識別時準確率較低。

發明內容

基于此，有必要針對傳統技術在故障識別時準確率較低的問題，提供一種故障檢測模型的訓練方法和機電設備的故障檢測方法。

第一方面，本申請實施例提供一種故障檢測模型的訓練方法，包括：

獲取訓練信號數據；

對訓練信號數據進行特征提取，得到第一信號特征；

將訓練信號數據進行重構及分解，得到第二信號特征；

對第一信號特征和第二信號特征按照預設的次序進行排列，將排列結果輸入初始故障檢測模型中，得到檢測結果；預設的次序表征第一信號特征和第二信號特征的重要程度；

計算檢測結果與預設標簽之間的損失，根據損失對初始故障檢測模型進行訓練；當損失達到收斂時，初始故障檢測模型訓練完成，得到故障檢測模型。

第二方面，本申請實施例提供一種機電設備的故障檢測方法，包括：

獲取待檢測信號，待檢測信號包括振動信號或音頻信號；

對待檢測信號進行特征提取，得到第一信號特征；

將待檢測信號進行重構及分解，得到第二信號特征；

對第一信號特征和第二信號特征按照預設的次序進行排列，將排列結果輸入故障檢測模型中，得到故障檢測結果。

第三方面，本申請實施例提供一種故障檢測模型的訓練裝置，包括：

第一獲取模塊，用于獲取訓練信號數據；

第一特征提取模塊，用于對訓練信號數據進行特征提取，得到第一信號特征；

第一重構分解模塊，用于將訓練信號數據進行重構及分解，得到第二信號特征；

第一檢測模塊，用于對第一信號特征和第二信號特征按照預設的次序進行排列，將排列結果輸入初始故障檢測模型中，得到檢測結果；預設的次序表征第一信號特征和第二信號特征的重要程度；