【技术实现步骤摘要】
设备故障诊断方法、装置、电子设备及存储介质
[0001]本公开涉及设备故障诊断
，尤其涉及一种设备故障诊断方法、装置、电子设备及存储介质。
技术介绍
[0002]随着工业4.0和智慧能源的提出，工业领域对生产设备的智能控制和管理的要求越来越高，生产管理者和操作人员需要实时掌握设备的运行状态和健康程度，因此对机械设备进行实时在线监测和智能诊断的要求也越来越高。近些年来，随着在线监测设备的普及，工业领域已经积累了大量的在线监测数据，但对这些数据的使用只停留于阈值报警层面；如何更加充分利用这些监测数据进行实时智能的故障诊断已成为一个紧迫而极具挑战性的问题。
[0003]目前现有技术中已经提出了许多基于人工智能算法的机械设备故障诊断方法，但是大多数基于人工智能的机械设备故障诊断方法，需要为每台机器设备训练单独的模型，并且模型的泛化能力比较差，无法解决设备间因结构和工作条件的不同引起的数据分布不同的问题，导致机械设备故障诊断结果不够精准。而基于转移学习的故障诊断方法，则需要大量的故障数据和完整的故障类型来支持训练过程，这...
【技术保护点】
【技术特征摘要】
1.一种设备故障诊断方法，其特征在于，包括：基于预先创建的联合学习架构确定多个参与方，并获取所述参与方的设备在运行过程中产生的振动信号，其中所述参与方中包含至少一个所述设备；利用预设的信号分析算法，对所述振动信号执行预处理操作，得到所述振动信号对应的信号特征数据，并基于所述信号特征数据，对所述设备执行聚类操作，得到多个相似设备组；将每个所述参与方中同一所述相似设备组内的设备所对应的信号特征数据进行整合，得到训练数据，利用所述训练数据对多故障诊断模型进行训练得到本地模型；基于每个所述相似设备组对应的本地模型，以及预设的模型聚合方法，对所述本地模型执行聚合操作，得到全局模型，并利用所述全局模型对所述本地模型进行更新，基于所述更新后得到的本地模型对设备进行故障诊断。2.根据权利要求1所述的方法，其特征在于，所述基于预先创建的联合学习架构确定多个参与方，并获取所述参与方的设备在运行过程中产生的振动信号，包括：将预设的目标对象作为参与方，利用所述参与方构建用于设备故障诊断的联合学习架构，并利用安装在所述设备上的振动传感器，使用不同的采样频率，采集所述设备在不同采样频率下产生的振动信号；其中，所述预设的目标对象包括工厂对象。3.根据权利要求1所述的方法，其特征在于，所述信号特征数据包括时域特征、频域特征、频谱图、以及连续小波系数矩阵；所述利用预设的信号分析算法，对所述振动信号执行预处理操作，得到所述振动信号对应的信号特征数据，包括：利用预设的特征提取方法对所述振动信号进行特征提取，得到所述振动信号对应的时域特征和频域特征，对所述振动信号进行傅里叶变换，得到所述振动信号对应的频谱图，并利用小波变化方法获取所述振动信号的连续小波系数矩阵。4.根据权利要求3所述的方法，其特征在于，所述基于所述信号特征数据，对所述设备执行聚类操作，得到多个相似设备组，包括：将不同采样频率下的所述振动信号对应的时域特征和频域特征进行组合，得到与所述设备相对应的特征向量，将所述特征向量作为隐私聚类算法的输入，利用所述隐私聚类算法对所述设备进行聚类，以便将具有相似特征向量的设备划分为同一所述相似设备组。5.根据权利要求3所述的方法，其特征在于，所述利用所述训练数据对多故障诊断模型进行训练得到本地模型，包括：针对每个所述参与方内的所述相似设备组，获取所述相似设备组内各个设备所对应振动信号的频谱图和连续小波系数矩阵，基于所述振动信号的采样频率，将所述频谱图和所述连续小波系数矩阵分别截取为一维特征向量和二维特征方阵；将所述不同采样频率的振动信号、所述一维特征向量和所述二维特征方阵作为卷积神经网络模型的输入，根据预设的设备故障类型，构建基于卷积神经网络的多故障诊断模型；利用所述训练数据对所述多故障诊断模型进行训练，得到与每个所述相似设备组相对应的本地模型，其中，所述多故障诊断模型中包含特征提取模块以及多故障分类模块。6.根据权利要求5所述的方法，其特征在于，所述基于每个所述相似设备组对应的本地模型，以及预设...
【专利技术属性】
技术研发人员：郭盛，刘辉，赵书宝，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。