本申请适用于故障诊断技术领域，提供了一种故障诊断方法、装置、终端设备及存储介质，所述故障诊断方法包括：获取电动阀执行机构工作时的待检测数据；将待检测数据输入深度自编码器，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差，深度自编码器是基于电动阀执行机构正常工作时的N个正常数据训练完成的；提取待检测数据的深度特征；基于待检测数据的深度特征和最小封闭超球体，确定待检测数据对应的第一故障监控指标；若第一重构误差大于第一故障监控指标，则确定待检测数据为故障数据。上述方案以机器化的形式判断待检测数据是否为故障数据，提高了电动阀执行机构故障诊断的效率。阀执行机构故障诊断的效率。阀执行机构故障诊断的效率。
【技术实现步骤摘要】
故障诊断方法、装置、终端设备及存储介质
[0001]本申请属于故障诊断
，尤其涉及一种故障诊断方法、装置、终端设备及存储介质。
技术介绍
[0002]随着现代工业过程的规模扩大和复杂性的增加，工业设备的安全性成为人们高度关注的焦点。工业设备的故障诊断作为保证工业过程安全连续生产的关键，也需要进行实时的诊断。例如，在现代化工业过程中，电动阀执行机构的运行状态直接可以影响到整个电动阀的工作性能，因此对电动阀执行机构进行实时的故障诊断具有重要的意义。
[0003]传统的电动阀执行机构的故障诊断均是以检修工人定期巡检与查验的方法得出诊断结果，在人工智能与大数据技术飞速开展的时代，人工定期巡检与查验诊断的效率和精度已经无法满足要求。
技术实现思路
[0004]本申请实施例提供了一种故障诊断方法、装置、终端设备及存储介质，可以提高电动阀执行机构故障诊断的效率和精度。
[0005]本申请实施例的第一方面提供了一种故障诊断方法，所述故障诊断方法包括：
[0006]获取电动阀执行机构工作时的待检测数据；
[0007]将所述待检测数据输入深度自编码器，得到所述待检测数据的重构向量，并计算所述待检测数据与所述重构向量之间的第一重构误差，所述深度自编码器是基于所述电动阀执行机构正常工作时的N个正常数据训练完成的，N为大于1的整数；
[0008]提取所述待检测数据的深度特征；
[0009]基于所述待检测数据的深度特征和最小封闭超球体，确定所述待检测数据对应的第一故障监控指标，所述最小封闭超球体是基于所述N个正常数据得到的，所述第一故障监控指标用于衡量所述待检测数据是否为故障数据；
[0010]若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据。
[0011]本申请实施例的第二方面提供了一种故障诊断装置，所述故障诊断装置包括：
[0012]数据获取模块，用于获取电动阀执行机构工作时的待检测数据；
[0013]误差确定模块，用于将所述待检测数据输入深度自编码器，得到所述待检测数据的重构向量，并计算所述待检测数据与所述重构向量之间的第一重构误差，所述深度自编码器是基于所述电动阀执行机构正常工作时的N个正常数据训练完成的，N为大于1的整数；
[0014]特征提取模块，用于提取所述待检测数据的深度特征；
[0015]指标确定模块，用于基于所述待检测数据的深度特征和最小封闭超球体，确定所述待检测数据对应的第一故障监控指标，所述最小封闭超球体是基于所述N个正常数据得到的，所述第一故障监控指标用于衡量所述待检测数据是否为故障数据；
[0016]故障确定模块，用于若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据。
[0017]本申请实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的故障诊断方法。
[0018]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的故障诊断方法。
[0019]本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面所述的故障诊断方法。
[0020]本申请实施例与现有技术相比存在的有益效果是：在本申请实施例中，首先可以获取电动阀执行机构工作时的待检测数据，并将待检测数据输入深度自编码器对其进行异常检测，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差，由于深度自编码器是基于电动阀执行机构正常工作时的N个正常数据训练完成的，因此可以通过判断第一重构误差是否大于待检测数据对应的第一故障监控指标，来判断待检测数据是否为故障数据，其中待检测数据对应的第一故障监控指标是基于提取出的待检测数据的深度特征与基于N个正常数据得到的最小封闭超球体确定得出的。若第一重构误差大于待检测数据对应的第一故障监控指标，则可以确定待检测数据为故障数据，上述方案可直接通过深度自编码器与最小封闭超球体得到第一故障监控指标，以机器化的形式判断待检测数据是否为故障数据，无需人工进行检测，提高了电动阀执行机构故障诊断的效率和精度。
附图说明
[0021]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请实施例一提供的一种故障诊断方法的流程示意图；
[0023]图2是桥式电路的结构示意图；
[0024]图3是深度自编码器工作过程的流程示意图；
[0025]图4是获取第一故障监控指标的流程示意图；
[0026]图5是本申请实施例二提供的一种故障诊断方法的流程示意图；
[0027]图6是本申请实施例三提供的一种故障诊断装置的结构示意图；
[0028]图7是本申请实施例四提供的一种终端设备的结构示意图。
具体实施方式
[0029]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0030]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0031]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0032]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0033]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种故障诊断方法，其特征在于，所述故障诊断方法包括：获取电动阀执行机构工作时的待检测数据；将所述待检测数据输入深度自编码器，得到所述待检测数据的重构向量，并计算所述待检测数据与所述重构向量之间的第一重构误差，所述深度自编码器是基于所述电动阀执行机构正常工作时的N个正常数据训练完成的，N为大于1的整数；提取所述待检测数据的深度特征；基于所述待检测数据的深度特征和最小封闭超球体，确定所述待检测数据对应的第一故障监控指标，所述最小封闭超球体是基于所述N个正常数据得到的，所述第一故障监控指标用于衡量所述待检测数据是否为故障数据；若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据。2.如权利要求1所述的故障诊断方法，其特征在于，在所述若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据之前，包括：获取监控指标阈值，所述监控指标阈值是基于所述N个正常数据得到的；判断所述第一故障监控指标是否小于所述监控指标阈值；若所述第一故障监控指标小于所述监控指标阈值，则判断所述第一重构误差是否大于所述第一故障监控指标。3.如权利要求2所述的故障诊断方法，其特征在于，所述获取监控指标阈值，包括：基于所述N个正常数据的深度特征和所述最小封闭超球体，确定N个正常数据分别对应的第二故障监控指标，得到N个第二故障监控指标；根据所述N个第二故障监控指标，计算所述N个第二故障监控指标对应的概率密度函数；基于所述概率密度函数，计算所述监控指标阈值。4.如权利要求1所述的故障诊断方法，其特征在于，所述深度自编码器的训练过程包括：将所述N个正常数据中的M个正常数据作为训练集，将N个正常数据中剩余的N
‑
M个正常数据作为验证集，M为大于零且小于N的整数；基于所述训练集中的M个正常数据，获取所述深度自编码器的初始网络参数；将所述验证集中的N
‑
M个正常数据输入至具有所述初始网络参数的深度自编码器中，得到N
‑
M个重构向量；计算所述验证集中每个正常数据与对应的重构向量之间的第二重构误差,得到N
‑
M个第二重构误差；通过最小化所述N
‑
M个第二重构误差，得到所述深度自编码器的目标网络参数，以完成所述深度自编码器的训练。5.如权利要求1所述的故障诊断方法，其特征在于，还包括：将所述N个正常数据输入至具有L层特征提取层的深度学习网络中，得到所述N个正常数据的深度特征，L为大于1的整数；计算所述N个正常数据的深度特征分别到所述最小封闭超球体的中心点的第一距离，得到N个第一距离；
通过最小化所述N个第一距离，得到所述深度学习网络的目标权重参数，以完成所述深度...
【专利技术属性】
技术研发人员：彭俊杰，陈鑫，李明强，张艳辉，
申请(专利权)人：中核检修有限公司，
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。