故障检测模型的训练方法和机电设备的故障检测方法技术

本申请涉及一种故障检测模型的训练方法和机电设备的故障检测方法。故障检测模型的训练方法包括：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。

Training method of fault detection model and fault detection method of electromechanical equipment

【技术实现步骤摘要】
故障检测模型的训练方法和机电设备的故障检测方法
本申请涉及计算机
，特别是涉及一种故障检测模型的训练方法和机电设备的故障检测方法。
技术介绍
在工业领域中，机电设备可以帮助人们降低工作难度及提高工作效率，保证机电设备的正常工作状态则至关重要，因此，有效的对机电设备进行故障检测，可以提高机电设备的运转安全性，减小事故发生的机率。机电设备在工作运转时，通常会产生一系列的振动信号，基于振动信号进行分析可以确定机电设备的故障类型。基于振动信号分析故障类型可以分为信号采集、特征提取和故障识别等步骤，传统技术通常提取振动信号的时域、频域及时频域特征或者采用振动信号经过短时傅里叶变换或者小波变换等处理后的时频图输入到故障检测模型(如神经网络模型)进行故障识别。但是，由于基于卷积神经网络的故障检测模型对特征矩阵进行运算时，特征矩阵边缘位置的信息会有一定损失，若该边缘位置的信息比较重要，则导致传统技术在故障识别时准确率较低。
技术实现思路
基于此，有必要针对传统技术在故障识别时准确率较低的问题，提供一种故障检测模型的训练方法和机电设备的故障检测方法。第一方面，本申请实施例提供一种故障检测模型的训练方法，包括：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。第二方面，本申请实施例提供一种机电设备的故障检测方法，包括：获取待检测信号，待检测信号包括振动信号或音频信号；对待检测信号进行特征提取，得到第一信号特征；将待检测信号进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。第三方面，本申请实施例提供一种故障检测模型的训练装置，包括：第一获取模块，用于获取训练信号数据；第一特征提取模块，用于对训练信号数据进行特征提取，得到第一信号特征；第一重构分解模块，用于将训练信号数据进行重构及分解，得到第二信号特征；第一检测模块，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；训练模块，用于计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。第四方面，本申请实施例提供一种机电设备的故障检测装置，包括：第二获取模块，用于获取待检测信号，待检测信号包括振动信号或音频信号；第二特征提取模块，用于对待检测信号进行特征提取，得到第一信号特征；第二重构分解模块，用于将待检测信号进行重构及分解，得到第二信号特征；第二检测模块，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。第五方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。第六方面，本申请实施例还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取待检测信号，待检测信号包括振动信号或音频信号；对待检测信号进行特征提取，得到第一信号特征；将待检测信号进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。第七方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。第八方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测信号，待检测信号包括振动信号或音频信号；对待检测信号进行特征提取，得到第一信号特征；将待检测信号进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。上述故障检测模型的训练方法、机电设备的故障检测方法、装置、计算机设备和存储介质，对获取的训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；然后将第一信号特征和第二信号特征按预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；最后根据检测结果和预设标签之间的损失对初始故障检测模型进行训练，当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在对第一信号特征和第二信号特征进行排列时，充分考虑其重要程度，可以确保故障检测模型对排列结果运算时，非重要特征处于边缘位置，重要特征处于中心位置，对重要特征的运算次数较多，以减少重要特征的信息丢失，由此可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。附图说明图1为一个实施例提供的计算机设备的内部结构示意图；图1a为一个实施例提供的神经网络模型的运算过程示意图；图2为一个实施例提供的故障检测模型的训练方法的流程示意图；图2a为一个实施例提供的第一信号特征和第二信号特征进行排列的示意图；图2b为一个实施例提供的第一信号特征和第二信号特征进行螺旋式排列的示意图；图2c为一个实施例提供的故障类别的标签示意图；图3为另一个实施例提供的故障检测模型的训练方法的流程示意图；图4本文档来自技高网...

【技术保护点】
1.一种故障检测模型的训练方法，其特征在于，包括：/n获取训练信号数据；/n对所述训练信号数据进行特征提取，得到第一信号特征；/n将所述训练信号数据进行重构及分解，得到第二信号特征；/n对所述第一信号特征和所述第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；所述预设的次序表征所述第一信号特征和所述第二信号特征的重要程度；/n计算所述检测结果与预设标签之间的损失，根据所述损失对所述初始故障检测模型进行训练；当所述损失达到收敛时，所述初始故障检测模型训练完成，得到故障检测模型。/n

【技术特征摘要】
1.一种故障检测模型的训练方法，其特征在于，包括：
获取训练信号数据；
对所述训练信号数据进行特征提取，得到第一信号特征；
将所述训练信号数据进行重构及分解，得到第二信号特征；
对所述第一信号特征和所述第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；所述预设的次序表征所述第一信号特征和所述第二信号特征的重要程度；
计算所述检测结果与预设标签之间的损失，根据所述损失对所述初始故障检测模型进行训练；当所述损失达到收敛时，所述初始故障检测模型训练完成，得到故障检测模型。


2.根据权利要求1所述的方法，其特征在于，所述第一信号特征的重要程度大于所述第二信号特征的重要程度；所述对所述第一信号特征和所述第二信号特征按照预设的次序进行排列，包括：
将所述第一信号特征的次序作为第一次序、所述第二信号特征的次序作为第二次序进行螺旋式排列。


3.根据权利要求1所述的方法，其特征在于，所述将所述训练信号数据进行重构及分解，得到第二信号特征，包括：
将所述训练信号数据进行相空间重构，得到信号矩阵；
对所述信号矩阵进行特征分解，得到所述第二信号特征。


4.根据权利要求3所述的方法，其特征在于，所述对所述信号矩阵进行特征分解，得到所述第二信号特征，包括：
对所述信号矩阵进行奇异值分解，得到多个奇异值；
将所述多个奇异值进行排序，得到所述第二信号特征。


5.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：邓刚，梁欣然，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31