[發明專利]檢測方法、裝置、存儲介質及處理器

在審

• 申請號: 202011504202.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112633351A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 劉然;陳陽;孫博聞
• 申請（專利權）人: 博彥多彩數據科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M99/00
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 曾紅芳

本發明公開了一種檢測方法、裝置、存儲介質及處理器。其中，該方法包括：獲取第一檢測模型，其中，第一檢測模型為滿足預設制冷機組與待檢測制冷機組的關聯關系條件后使用多組數據通過機器學習訓練出來的；將第一檢測模型中的模型參數遷移至預先配置的用于對待檢測制冷機組進行檢測的預設檢測模型中，得到初始檢測模型；基于待檢測制冷機組的樣本數據對初始檢測模型的模型參數進行調整，得到第二檢測模型，其中，樣本數據為待檢測制冷機組的特征參數和各特征參數所對應的故障類型；基于第二檢測模型對待檢測制冷機組的特征參數進行檢測。本發明解決了由于現有技術無法使用小樣本訓練檢測模型，造成的檢測效率差的技術問題。

技術領域

本發明涉及檢測領域，具體而言，涉及一種檢測方法、裝置、存儲介質及處理器。

背景技術

隨著科學技術的發展，如何降低設備的維護維修成本成為非常關鍵的問題。設備故障會導致能源超額使用、碳排放量增加、生產和工作環境的失控、用戶投訴、運維成本的上升，因此故障異常檢測對實現智能化管理至關重要。在現有故障檢測方法，存在有效數據量缺少、模型訓練代價高等問題，導致設備故障檢測準確度低，花費高等問題。

關于故障檢測問題為提升故障檢測模型的性能，許多專家學者嘗試了多種方法。主要將故障檢測方法大致分為三類：基于模型的、基于知識的和基于數據驅動的。

基于模型的故障檢測方法利用系統內部的深層信息反映物理系統故障的本質特征，諸如利用非線性狀態估計方法，建立變槳控制系統模型，通過觀測向量與正常變槳模型的偏差實現對變漿系統的故障識別。

基于知識的故障檢測方法包括模糊故障診斷、專家系統等，指信息被收集后，運用各種專家知識進行推理的一種方法。例如，首先根據知識向量機來確定模型，然后根據模型進行了知識推理和信息融合混合推理的故障識別模式。

基于數據驅動的故障檢測方法是利用設備已有的運行數據信息，通過數據挖掘、數學統計分析等技術實現數據特征屬性與對應狀態之間的映射關系，從而達到故障檢測的目的。例如，利用最小二乘支持向量機對調節閥進行了故障檢測和分類，首先對實驗數據進行了清洗，然后利用LS-SVM多分類器對調節閥樣本進行了分類實驗，取得了比較好的實驗結果。

但是，上述已有的故障檢測技術存在泛化能力弱，數據要求高等問題：例如基于數據驅動的故障檢測方法雖然準確度較高、訓練時間較短，但是該模型難以移植、對于小樣本數據情況模型難以訓練。因此，本發明提出了一種基于遷移學習解決多元時間序列數據的小樣本問題的設備故障檢測方法。該方法能很好的利用現有的數據，將已有的經驗結果遷移入目標源模型中，可以很好的解決目標源小樣本問題。從而使得目標源模型準確度更高、訓練時間更短。

針對上述由于現有技術無法使用小樣本訓練檢測模型，而造成檢測效率差的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種檢測方法、裝置、存儲介質及處理器，以至少解決由于現有技術無法使用小樣本訓練檢測模型，造成的檢測效率差的技術問題。

根據本發明實施例的一個方面，提供了一種檢測方法，包括：獲取第一檢測模型，所述第一檢測模型為滿足預設制冷機組與待檢測制冷機組的關聯關系條件后使用多組數據通過機器學習訓練出來的，所述多組數據中的每組包括：預設制冷機組的特征參數，和特征參數所對應的故障類型；將所述第一檢測模型中的模型參數遷移至預先配置的用于對所述待檢測制冷機組進行檢測的預設檢測模型中，得到初始檢測模型；基于所述待檢測制冷機組的樣本數據對所述初始檢測模型的模型參數進行調整，得到第二檢測模型，其中，所述樣本數據為所述待檢測制冷機組的特征參數和各特征參數所對應的故障類型；基于所述第二檢測模型對所述待檢測制冷機組的特征參數進行檢測，得到所述待檢測制冷機組的檢測結果。