[發明專利]機械設備半監督故障檢測分析方法、裝置、終端及介質

有效

• 申請號: 202210598529.2
• 申請日: 2022-05-30
• 公開（公告）號: CN115184054B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 陳菲;楊崢;許彬彬;馬伯權;周鑫;曲則閣
• 申請（專利權）人: 深圳技術大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 王永文

本發明公開了一種機械設備半監督故障檢測分析方法、裝置、終端及介質，針對機械設備的有標簽數據不完備的問題，預先通過少量的有標簽樣本和大量的無標簽樣本訓練三元組網絡模型，將有標簽樣本和無標簽樣本采用不同分支進行故障特征提取，利用無標簽樣本包含的信息指導有標簽樣本的特征提取。實現無監督學習補充監督學習，達到對大量未標記數據的有效利用。與現有技術相比，實現少標簽情況下機械設備故障的準確識別。

技術領域

本發明涉及機械設備故障檢測分析技術領域，尤其涉及的是一種機械設備半監督故障檢測分析方法、裝置、終端及存儲介質。

背景技術

現代工業生產已經趨于高度集成化，智能化和復雜化，智能機械已經廣泛地應用在工業生產制造中。智能機械的高效高可靠性的工作意味著高質量和穩定持續的工業生產線。因此，精確快速地對智能機械中的故障進行診斷，有利于及時的更換和維護智能機械中損壞的部件，保證生產的質量，甚至避免造成威脅人生命安全的事故。

近幾年隨著深度學習被引入到智能故障檢測分析領域和監測數據呈爆炸式增長的趨勢，傳統的機器學習模式逐漸被深度學習所取代。深度學習強大的非線性擬合能力能夠表征信號與健康狀態之間復雜的映射關系，減少對信號處理技術和專家領域知識的依賴。

然而在工程實踐中，由于智能機械長期處于正常服役狀態，數據的標簽難以獲得或者獲得的代價太大。因此獲取到的數據呈現標簽缺失、維度高、價值密度低等問題，現有的故障檢測分析模型無法挖掘其攜帶的智能機械設備健康狀況信息，導致大量的無標簽數據被當作數據垃圾而擱置。因此，建立的故障檢測分析模型性能表現不佳，阻礙了深度學習在機械故障檢測分析中的廣泛應用。

發明內容

本發明的主要目的在于提供一種機械設備半監督故障檢測分析方法、裝置、智能終端及存儲介質，能夠在難以獲得大量有標簽檢測數據的情況下提取無標簽檢測數據的故障特征，獲得機械設備的健康狀態分析結果。

為了實現上述目的，本發明第一方面提供一種機械設備半監督故障檢測分析方法，所述方法包括：

預先建立三元組網絡模型，所述建立三元組網絡模型的具體步驟包括：

獲取樣本集，所述樣本集包括有標簽樣本集和無標簽樣本集；

將有標簽樣本集輸入有噪聲編碼路徑，獲得有噪聲編碼路徑輸出的第一故障特征；

基于所述第一故障特征，根據有標簽樣本集中正樣本與負樣本的距離計算三元組損失；

將無標簽樣本集結合高斯噪聲輸入有噪聲編碼路徑，將有噪聲編碼路徑的輸出輸入至有噪聲解碼路徑，獲得有噪聲解碼路徑中各層輸出的重構特征；

將無標簽樣本集輸入無噪聲編碼路徑，獲得無噪聲編碼路徑中各層輸出的第二故障特征；

基于所述第二故障特征和所述重構特征，獲得重構誤差；

基于所述重構誤差和所述三元組損失，獲得損失值；

返回所述將有標簽樣本集輸入有噪聲編碼路徑進行重復迭代，直至達到設定迭代次數，得到三元組網絡模型；

獲取機械設備運行時的檢測數據，將所述檢測數據輸入所述三元組網絡模型，獲得分析結果。

可選的，所述將無標簽樣本集結合高斯噪聲輸入有噪聲編碼路徑，將有噪聲編碼路徑的輸出輸入至有噪聲解碼路徑，獲得有噪聲解碼路徑中各層輸出的重構特征，包括：

將無標簽樣本集結合高斯噪聲輸入有噪聲編碼路徑，獲得有噪聲編碼路徑中各層輸出的故障特征；

將所述有噪聲編碼路徑中頂層輸出的故障特征反向輸入有噪聲解碼路徑，獲得有噪聲解碼路徑中各層輸出的解碼特征；