[發(fā)明專利]一種工業(yè)設備的故障檢測方法、計算設備及可讀存儲介質

在審

• 申請?zhí)枺?/td>: 202110876571.1
• 申請日: 2021-07-30
• 公開（公告）號: CN113569486A
• 公開（公告）日: 2021-10-29
• 發(fā)明（設計）人: 王勇;汪湘湘;陳浩;許啟發(fā);程啟亮
• 申請（專利權）人: 安徽容知日新科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F111/08
• 代理公司: 北京思睿峰知識產(chǎn)權代理有限公司 11396
• 代理人: 高攀;趙愛軍

本發(fā)明公開了一種工業(yè)設備的故障檢測方法，在計算設備中執(zhí)行，該方法包括：獲取待檢測設備運行時預設時長內的振動數(shù)據(jù)的頻譜；將振動數(shù)據(jù)的頻譜進行歸一化處理，得到振動數(shù)據(jù)的歸一化頻譜；將振動數(shù)據(jù)的歸一化頻譜輸入到訓練好的故障檢測模型中進行處理，得到待檢測設備的故障類別。其中，故障檢測模型基于度量元學習模型構建。這樣，在小樣本情況下本發(fā)明的故障檢測方法也可以獲得很好的故障檢測效果，從而可以提高小樣本下故障檢測的準確率。

技術領域

本發(fā)明涉及計算機領域，尤其涉及一種工業(yè)設備的故障檢測方法、計算設備及可讀存儲介質。

背景技術

近年來，深度學習以其在特征提取與模式識別方面的獨特優(yōu)勢在故障檢測領域取得了顯著進展。目前，深度置信網(wǎng)絡、自編碼網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡等深度學習模型已被廣泛應用于故障檢測領域。

然而，在將這些深度學習模型應用于故障檢測領域時，需要利用大量的樣本數(shù)據(jù)和充足的計算資源來對其進行訓練。否則，故障分類的效果便會不佳。也就是說，基于深度學習的故障檢測需要依賴大量的樣本數(shù)據(jù)來保證其檢測的準確度。但是，對于工業(yè)設備而言，獲取大量的故障實例樣本非常困難，或者甚至可以說是根本無法獲取大量的故障實例樣本。

為此，亟需一種新的故障檢測方法以解決上述問題。

發(fā)明內容

為此，本發(fā)明提供了一種工業(yè)設備的故障檢測方法、計算設備及可讀存儲介質，以力圖解決或者至少緩解上面存在的問題。

根據(jù)本發(fā)明的一個方面，提供一種工業(yè)設備的故障檢測方法，在計算設備中執(zhí)行，該方法包括：獲取待檢測設備運行時預設時長內的振動數(shù)據(jù)的頻譜；將振動數(shù)據(jù)的頻譜進行歸一化處理，得到振動數(shù)據(jù)的歸一化頻譜；將振動數(shù)據(jù)的歸一化頻譜輸入到訓練好的故障檢測模型中進行處理，得到待檢測設備的故障類別，故障檢測模型基于度量元學習模型構建。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，獲取待檢測設備運行時預設時長內的振動數(shù)據(jù)的頻譜的步驟，包括：獲取待檢測設備運行時預設時長內的振動數(shù)據(jù)；利用短時傅里葉變換，獲取振動數(shù)據(jù)的頻譜。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，振動數(shù)據(jù)為加速度數(shù)據(jù)。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，度量元學習模型為原型網(wǎng)絡。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，故障檢測模型包括特征提取模塊和度量模塊。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，特征提取模塊包括四層卷積網(wǎng)絡，每層卷積網(wǎng)絡包括一個卷積層、一個激活層和一個池化層。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，故障檢測模型基于下述方法訓練：從總訓練樣本集中隨機抽取第一預設數(shù)量種故障類別，總訓練樣本集中的每種故障類別下包括多個樣本數(shù)據(jù)，樣本數(shù)據(jù)為工業(yè)設備運行時預設時長內的振動數(shù)據(jù)的歸一化頻譜；對于抽取的每種故障類別，從總訓練樣本集中隨機抽取第二預設數(shù)量個樣本數(shù)據(jù)；將第二預設數(shù)量個樣本數(shù)據(jù)中的第三預設數(shù)量個樣本數(shù)據(jù)作為元訓練的支持集，并將剩余的樣本數(shù)據(jù)作為元訓練的查詢集；利用支持集和查詢集對故障檢測模型進行訓練，得到初始故障檢測模型；重復上述步驟，直到達到預定次數(shù)，獲得訓練好的故障檢測模型。

可選地，在根據(jù)本發(fā)明的工業(yè)設備的故障檢測方法中，利用支持集和查詢集對故障檢測模型進行訓練的步驟，包括：將支持集中每種故障類別下的樣本數(shù)據(jù)輸入到特征提取模塊中，得到每個樣本數(shù)據(jù)的特征向量；基于得到的每個樣本數(shù)據(jù)的特征向量，獲取支持集中每種故障類別的原型表示；將查詢集中每種故障類別下的樣本數(shù)據(jù)輸入到特征提取模塊中，得到查詢集中每個樣本數(shù)據(jù)的特征向量；基于查詢集中每個樣本數(shù)據(jù)的特征向量和獲取的每種故障類別的原型表示，獲取查詢集中每個樣本數(shù)據(jù)所對應的預測故障類別；基于查詢集中每個樣本數(shù)據(jù)所對應的預測故障類別和真實故障類別之間的損失值，更新故障檢測模型，得到初始故障檢測模型。