[發明專利]故障診斷模型的訓練方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011128977.3
• 申請日: 2020-10-20
• 公開（公告）號: CN112200114A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 周星杰;楊康;徐成國;王碩
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 北京超成律師事務所 11646
• 代理人: 裴素英

本申請提供了一種故障診斷模型的訓練方法、裝置、電子設備及存儲介質，其中，該訓練方法包括：將第一設備的樣本目標域信號和第二設備的樣本源域信號分別輸入到各自對應的卷積層中，得到第一目標域特征和第一源域特征；將第一目標域特征和第一源域特征分別輸入到各自對應的域適配層中，得到第二目標域特征和第二源域特征，基于第二目標域特征和第二源域特征，確定域適配損失；基于第二目標域特征和第二源域特征，確定第一設備分別歸屬于預設故障類型的第一概率，基于第一概率以及第一設備的目標故障類型，確定第一分類損失；若故障診斷模型的域適配損失和第一分類損失滿足第一訓練條件，則將當前的故障診斷模型確定為目標故障診斷模型。

技術領域

本申請涉及計算機信息技術領域，具體而言，涉及一種故障診斷模型的訓練方法、裝置、電子設備及存儲介質。

背景技術

滾動軸承作為旋轉機械設備中最多且最為關鍵的部件之一，其健康狀態直接影響著旋轉機械設備的整體穩定性、可靠性和安全性，因此，對滾動軸承進行狀態檢測與故障診斷至關重要。

現階段，通常使用與每種類型的滾動軸承相匹配的監督學習模型，對每種類型的滾動軸承的故障情況進行檢測，在對監督學習模型進行訓練時，需要獲取每種型號的滾動軸承的大量故障數據。

但是，對于精密的滾動軸承，難以獲取其大量的故障數據，基于少量的故障數據對監督學習模型進行訓練，訓練得到的監督學習模型準確度低，進而導致滾動軸承故障診斷效率低。

發明內容

有鑒于此，本申請實施例的目的在于提供一種故障診斷模型的訓練方法、裝置、電子設備及存儲介質，在對第一設備的故障診斷模型進行訓練時，將第一設備的目標域信號，以及與第一設備相關聯的第二設備的源域信號共同作為訓練故障診斷模型的樣本信號，增加了模型訓練的樣本數據，進而提高了故障診斷模型的準確度，提高了第一設備的故障診斷效率。

第一方面，本申請實施例提供了一種故障診斷模型的訓練方法，所述故障診斷模型包括卷積層和域適配層，所述訓練方法包括：

將第一設備對應的樣本目標域信號和第二設備對應的樣本源域信號分別輸入到各自對應的卷積層中，得到第一目標域特征和第一源域特征；其中，所述第一設備與所述第二設備相關聯；

將所述第一目標域特征和所述第一源域特征分別輸入到各自對應的域適配層中，得到第二目標域特征和第二源域特征，基于所述第二目標域特征和所述第二源域特征，確定所述故障診斷模型的域適配損失；

基于所述第二目標域特征和所述第二源域特征，確定所述第一設備分別歸屬于預設故障類型的第一概率，基于所述第一概率以及所述第一設備對應的目標故障類型，確定所述故障診斷模型的第一分類損失；

若所述故障診斷模型的域適配損失和第一分類損失滿足第一訓練條件，則將當前的故障診斷模型確定為目標故障診斷模型。

在一種可能的實施方式中，所述故障診斷模型還包括域混淆層，所述訓練方法還包括：

將所述第二目標域特征和所述第二源域特征輸入到各自對應的域混淆層中，得到第三目標域特征和第三源域特征，基于所述第三目標域特征和所述第三源域特征，確定所述故障診斷模型的域混淆損失；

基于所述第三目標域特征和所述第三源域特征，確定所述第一設備分別歸屬于預設故障類型的第二概率，基于所述第二概率以及所述第一設備對應的目標故障類型，確定所述故障診斷模型的第二分類損失；

若所述故障診斷模型的域適配損失、域混淆損失以及第二分類損失滿足第二訓練條件，則將當前的故障診斷模型確定為目標故障診斷模型。

在一種可能的實施方式中，所述故障診斷模型對應有多級域適配層，所述基于所述第二目標域特征和所述第二源域特征，確定所述故障診斷模型的域適配損失，包括：