本发明专利技术公开了一种故障诊断方法、装置、电子设备及存储介质。该方法包括：确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。本发明专利技术的技术方案，可以根据预先训练好的故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。提高屏蔽门的安全性。提高屏蔽门的安全性。
【技术实现步骤摘要】
一种故障诊断方法、装置、电子设备及存储介质
[0001]本专利技术涉及故障诊断
，尤其涉及一种故障诊断方法、装置、电子设备及存储介质。
技术介绍
[0002]随着科学技术的发展，交通工具的种类也越来越丰富，其中，地铁具备快速、舒适、便捷等优点，深受人民群众的喜爱。因此，地铁的安全性也是人民群众关心的重点问题之一。
[0003]地铁屏蔽门设置于地铁车站站台的边缘，用于将站台区域与轨道区域分隔开来，屏蔽门的健康状况与地铁的正常运行息息相关。目前，屏蔽门的故障检测是通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练好的分类模型实现的。
[0004]但是，通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低。
技术实现思路
[0005]本专利技术提供了一种故障诊断方法、装置、电子设备及存储介质，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。
[0006]根据本专利技术的一方面，提供了一种故障诊断方法，该方法包括：
[0007]确定待检测屏蔽门的状态特征；
[0008]将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；
[0009]根据分类结果确定故障诊断结果。
[0010]可选的，确定待检测屏蔽门的状态特征，包括：确定待检测屏蔽门的状态数据，其中，状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；根据关门阶段将门体位移数据划分为三个位移子数据、将门体速度数据划分为三个速度子数据、将电机电流数据划分为三个电流子数据、将皮带振动数据划分为划分为三个振动子数据；根据各位移子数据、各速度子数据、各电流子数据和各振动子数据确定待检测屏蔽门的状态特征。
[0011]可选的，在将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各卷积单元由卷积层、批标准层和最大池化层构成；基于全连接层和归一化层构建分类模块，并确定分类模块对应的分类损失子函数，分类模块用于确定特征数据对应的类别信息；根据特征提取模块、分类模块和自适应模块构建初始故障诊断模型，其中，自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，初始故障诊断模型的损失函数是由分类损失子函数、域间差异损失子函数和类间差异损失子函数确定的。
[0012]可选的，在将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：获取辅助状态数据、辅助状态数据对应的真实故障类型以及待检测屏蔽门的目标状态数据；确定辅助状态数据对应的辅助状态特征以及目标状态数据对应的目标状态特征；根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型；将辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的模拟故障类型作为训练数据输入初始故障诊断模型，对初始故障诊断模型进行模型训练，并计算损失函数；基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到训练好的故障诊断模型。
[0013]可选的，计算损失函数，包括：在初始故障诊断模型的分类模块中，基于分类损失子函数确定辅助状态特征的特征数据对应的训练故障类型，根据辅助状态特征的特征数据对应的真实故障类型和训练故障类型计算分类损失值；在初始故障诊断模型的自适应模块中，基于域间差异损失子函数确定辅助状态特征的特征数据和目标状态特征的特征数据的域间差异损失值；在初始故障诊断模型的自适应模块中，基于类间差异损失子函数确定辅助状态特征的特征数据和辅助状态特征的特征数据对应的真实故障类型、目标状态特征的特征数据和目标状态特征的特征数据对应的模拟故障类型的类间差异损失值；基于损失系数、分类损失值、域间差异损失值和类间差异损失值确定损失函数的损失值。
[0014]可选的，根据辅助状态特征、辅助状态特征对应的真实故障类型以及目标状态特征，确定目标状态特征对应的模拟故障类型，包括：将辅助状态特征划分为N+1组辅助状态特征集合，其中，N为正整数，表示故障类型的数量；对目标状态特征进行聚类，将目标状态特征划分为N+1组目标状态特征集合；确定目标状态特征所属的目标状态特征集合，并根据目标状态特征所属的目标状态特征集合与各辅助状态特征集合之间的相似度和各辅助状态特征集合对应的真实故障类型，确定目标状态特征对应的模拟故障类型。
[0015]可选的，基于前向传播算法和损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到训练好的故障诊断模型，包括：在确定模型迭代次数不满足预设迭代条件时，基于模型优化得到的中间故障诊断模型中的特征提取模块和分类模块确定目标状态特征对应的更新故障类型；基于辅助状态特征、辅助状态特征对应的真实故障类型、目标状态特征和目标状态特征对应的更新故障类型对中间故障诊断模型进行训练。
[0016]根据本专利技术的另一方面，提供了一种故障诊断装置，该装置包括：
[0017]获取模块，用于确定待检测屏蔽门的状态特征；
[0018]确定模块，用于将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；
[0019]执行模块，用于根据分类结果确定故障诊断结果。
[0020]根据本专利技术的另一方面，提供了一种电子设备，该电子设备包括：
[0021]至少一个处理器；以及与至少一个处理器通信连接的存储器；
[0022]其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本专利技术任一实施例所述的故障诊断方法。
[0023]根据本专利技术的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例所述的故障
诊断方法。
[0024]本专利技术实施例的技术方案，通过确定待检测屏蔽门的状态特征；将待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使预先训练好的故障诊断模型确定状态特征的特征数据，并对特征数据进行分类，得到分类结果；根据分类结果确定故障诊断结果。可以根据预先训练好的故障诊断模型和待检测屏蔽门的状态特征确定待检测门是否发生故障，能够有效提升故障检测速度和准确度、降低屏蔽门状态数据的采样成本，提高屏蔽门的安全性。解决了通过屏蔽门状态数据以及屏蔽门状态数据对应的标签数据训练的分类模型成本较高，且在屏蔽门的工况发生变化时故障检测精度较低的问题。
[0025]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特本文档来自技高网...
【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，包括：确定待检测屏蔽门的状态特征；将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型中，以使所述预先训练好的故障诊断模型确定所述状态特征的特征数据，并对所述特征数据进行分类，得到分类结果；根据所述分类结果确定故障诊断结果。2.根据权利要求1所述的方法，其特征在于，确定待检测屏蔽门的状态特征，包括：确定所述待检测屏蔽门的状态数据，其中，所述状态数据包括门体位移数据、门体速度数据、电机电流数据和皮带振动数据至少之一；根据关门阶段将所述门体位移数据划分为三个位移子数据、将所述门体速度数据划分为三个速度子数据、将所述电机电流数据划分为三个电流子数据、将所述皮带振动数据划分为划分为三个振动子数据；根据各所述位移子数据、各所述速度子数据、各所述电流子数据和各所述振动子数据确定所述待检测屏蔽门的状态特征。3.根据权利要求1所述的方法，其特征在于，在将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：基于多个卷积单元和多个全连接层构建用于提取状态特征对应的特征数据的特征提取模块，其中，各所述卷积单元由卷积层、批标准层和最大池化层构成；基于全连接层和归一化层构建分类模块，并确定所述分类模块对应的分类损失子函数，所述分类模块用于确定特征数据对应的类别信息；根据所述特征提取模块、所述分类模块和自适应模块构建初始故障诊断模型，其中，所述自适应模块用于基于域间差异损失子函数确定域间差异损失值，基于类间差异损失子函数确定类间差异损失值，所述初始故障诊断模型的损失函数是由所述分类损失子函数、所述域间差异损失子函数和类间差异损失子函数确定的。4.根据权利要求3所述的方法，其特征在于，在将所述待检测屏蔽门的状态特征输入预先训练好的故障诊断模型之前，还包括：获取辅助状态数据、所述辅助状态数据对应的真实故障类型以及所述待检测屏蔽门的目标状态数据；确定所述辅助状态数据对应的辅助状态特征以及所述目标状态数据对应的目标状态特征；根据所述辅助状态特征、所述辅助状态特征对应的真实故障类型以及所述目标状态特征，确定所述目标状态特征对应的模拟故障类型；将所述辅助状态特征、所述辅助状态特征对应的真实故障类型、所述目标状态特征和所述目标状态特征对应的模拟故障类型作为训练数据输入所述初始故障诊断模型，对所述初始故障诊断模型进行模型训练，并计算损失函数；基于前向传播算法和所述损失函数进行模型优化，直至模型迭代次数满足预设迭代条件，得到所述训练好的故障诊断模型。5.根据权利要求4所述的方法，其特征在于，所述计算损失函数，包括：在所述初始故障诊断模型的分类模块中，基于分类损失子函数确定所述辅助状态特征
的特征数据对应的训练故障类...
【专利技术属性】
技术研发人员：朱闯闯，艾震鹏，王玥邈，贾建平，
申请(专利权)人：广州新科佳都科技有限公司，
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。