基于主动学习的自适应故障诊断方法、装置及相关介质制造方法及图纸

本发明专利技术公开了基于主动学习的自适应故障诊断方法、装置及相关介质，该方法包括：获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域；通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。本发明专利技术通过基于能量的采样策略选取有价值的故障数据，并用于故障诊断模型的训练学习，如此可以提高对于设备的故障诊断精度和效率。精度和效率。精度和效率。

【技术实现步骤摘要】
基于主动学习的自适应故障诊断方法、装置及相关介质


[0001]本专利技术涉及设备检测
，特别涉及基于主动学习的自适应故障诊断方法、装置及相关介质。

技术介绍

[0002]设备的运维管理是企业工厂稳定运作的一个至关重要的环节，随着工业革命不断向前发展，传统型的设备管理方式逐步向自动化方向转变。以往对于设备的运维大多依赖于人工经验，因无法及时获取设备故障信息，一般都会采取计划维修、事后维修等方式，这种处理方式的后果就会造成过度维修、资源浪费或者带来安全事故。近几年随着“智慧工厂”的普及，越来越多的工厂开始依赖人工智能、模型机理、大数据等技术，采用智能算法模型对设备状态进行有效的监控管理。
[0003]设备故障诊断一直都是设备管理的核心部分，目前对于故障诊断常用的方法有根据设备机理的纯物理模型，有对采集到的信号数据进行频谱分析，根据频率或者幅值等大小结合阈值对设备故障进行判断。除此之外还有比较流行的卷积神经网络、对抗迁移等模型对设备故障类型进行自动化诊断。但是传统的机理模型需要明白设备机理，很大程度上要依赖专家经验，对于普通人员难度较大；频谱分析方法对于一般常见的故障类型可以进行大致判断，但是对于复杂的信号数据效果就会大打折扣；对于流行的神经网络模型来说，模型虽然实现了自动化诊断，但是此类模型需要大量人工标记的故障数据，成本较高。然而在实际的生产环境中，故障发生频次不高，故障数据积累较少，那么如何在少量的故障数据下建立出一个精确度较高的故障诊断模型是本领域技术人员需要解决的问题。

技术实现思路

>[0004]本专利技术实施例提供了一种基于主动学习的自适应故障诊断方法、装置、计算机设备及存储介质，旨在提高对于设备的故障诊断精度和效率。
[0005]第一方面，本专利技术实施例提供了一种基于主动学习的自适应故障诊断方法，包括：
[0006]获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
[0007]通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
[0008]对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
[0009]通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
[0010]利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
[0011]第二方面，本专利技术实施例提供了一种基于主动学习的自适应故障诊断装置，包括：
[0012]数据获取单元，用于获取设备的历史故障数据，其中，所述历史故障数据包括源域
和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；
[0013]数据采样单元，用于通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；
[0014]数据合并单元，用于对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；
[0015]模型构建单元，用于通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；
[0016]诊断分类单元，用于利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。
[0017]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上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如第一方面所述的基于主动学习的自适应故障诊断方法。
[0018]第四方面，本专利技术实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于主动学习的自适应故障诊断方法。
[0019]本专利技术实施例提供了一种基于主动学习的自适应故障诊断方法、装置、计算机设备及存储介质，该方法包括：获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。本专利技术实施例通过基于能量的采样策略选取有价值的故障数据，并在标注标签后与源域中的故障数据一并用于故障诊断模型的训练学习，如此可以提高对于设备的故障诊断精度和效率。
附图说明
[0020]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0021]图1为本专利技术实施例提供的一种基于主动学习的自适应故障诊断方法的流程示意图；
[0022]图2为本专利技术实施例提供的一种基于主动学习的自适应故障诊断方法的子流程示意图；
[0023]图3为本专利技术实施例提供的一种基于主动学习的自适应故障诊断装置的示意性框图；
[0024]图4为本专利技术实施例提供的一种基于主动学习的自适应故障诊断装置的子示意性框图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。
[0027]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0028]还应当进一步理解，在本专利技术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。
[0029]下面请参见图1，图1为本专利技术实施例提供的一种基于主动学习的自适应故障诊断方法的流程示意图，具体包括：步骤S101～S105。
[0030]S101、获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主动学习的自适应故障诊断方法，其特征在于，包括：获取设备的历史故障数据，其中，所述历史故障数据包括源域和目标域，所述源域为带有标签的故障数据，所述目标域为未带有标签的故障数据；通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合；对所述目标样本集合中的故障数据标注标签，并将所述目标样本集合与所述源域中的故障数据合并为样本数据集；通过有监督的机器学习模型对所述样本数据集中的样本数据进行训练学习，以构建得到故障诊断模型；利用所述故障诊断模型对指定的设备状态数据进行故障诊断分类。2.根据权利要求1所述的基于主动学习的自适应故障诊断方法，其特征在于，所述通过基于能量的采样策略对所述目标域中的故障数据进行采样，以得到目标域的目标样本集合，包括：对所述目标域中的每一故障数据计算自由能，并对计算结果进行排序，以选取自由能最大的前a％的故障数据作为第一候选样本集合；对所述第一候选样本集合中的每一故障数据计算不确定性，并对计算结果进行排序，以选取不确定性最大的前b％的故障数据作为第二候选样本集合；重复执行选取自由能最大的前a％的故障数据和不确定性最大的前b％的故障数据，直至所述第二候选样本集合中的故障数据满足预设数量要求，并将所述第二候选样本集合作为所述所述目标样本集合。3.根据权利要求2所述的基于主动学习的自适应故障诊断方法，其特征在于，所述对所述目标域中的每一故障数据计算自由能，并对计算结果进行排序，以选取自由能最大的前a％的故障数据作为第一候选样本集合，包括：按照下式计算所述目标域中每一故障数据的出现概率p(x)：p(x)＝Σ
y
p(x，y)＝Σ
y
exp(
‑
E(x，y))/Z式中，x表示输入的故障数据，y表示输出的标签，E(x，y)表示能量函数，p(x，y)表示联合概率密度函数，Z＝∑
x
∑
y
exp(
‑
E(x，y))表示配分函数；以及，按照下式计算所述目标域中每一故障数据的出现概率p(x)：式中，F(x)表示自由能函数；建立所述能量函数E(x，y)和自由能函数F(x)的关系：F(x)＝
‑
logΣ
y
exp(
‑
E(x，y))按照下式，采用线性网络对所述目标域中的故障数据进行采样：按照下式，采用线性网络对所述目标域中的故障数据进行采样：
式中，E(x，y，W)表示线性网络下的能量函数，F(x，W)表示线性网络下的自由能函数，W＝(w1，w2…
w
m
)∈R
m
×
n
表示线性网络的参数权重矩阵，m表示故障数据的数量，n表示维度，T表示转置运算，j表示第j个故障类别。4.根据权利要求3所述的基于主动学习的自适应故障诊断方法，其特征在于，所述对所述第一候选样本集合中的每一故障数据计算不确定性，并对计算结果进行排序，以选取不确定性最大的前b％的故障数据作为第二候选样本集合，包括：按照下式，对每一故障数据计算不确定性U(x)：式中，E(x，y
*
，W)表示最低能量值的能量函数，E(x，y
′
，W)表示最低能量值的能量函数，y
*
＝argmin
y
E(x，y，W)表示最低能量值...

【专利技术属性】
技术研发人员：陈娇娇，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：