基于小样本的设备故障诊断方法、模型的构建方法及装置制造方法及图纸

本发明专利技术提供了一种基于小样本的设备故障诊断方法、模型的构建方法及装置，涉及设备故障诊断技术领域，其中，根据预先采集的样本数据集中每种训练样本分别对应的样本类别和近邻关系，对每种训练样本进行样本扩充，得到扩充样本。并按照预设的模拟退火算法对扩充样本的特征参数对应的特征集进行迭代处理，确定扩充样本对应的目标特征集。之后将包含目标特征集的扩充样本输入至初始分类器中，构建设备故障诊断模型。本发明专利技术对数据精细化处理，可以解决样本量小、样本类别不均衡等现象，并可以避免局部最优解，提高特征选择的效率和准确性。利用本发明专利技术提供的设备故障诊断模型对目标设备进行故障诊断，可以保证故障诊断的准确性和效率。效率。效率。

【技术实现步骤摘要】
基于小样本的设备故障诊断方法、模型的构建方法及装置


[0001]本专利技术涉及设备故障诊断
，尤其是涉及一种基于小样本的设备故障诊断方法、模型的构建方法及装置。

技术介绍

[0002]随着工业自动化程度的不断提高，机械设备在工业生产中扮演着越来越重要的角色。然而，机械设备的故障也是不可避免的，特别是在长时间的运行和高强度的工作环境下。随着传感器技术、计算机技术、工艺技术和网络技术的迅猛发展，人类对知识的认识、管理和应用水平的提高，使得设备或系统数据的获取、存储、传输、加工、分析和利用得到了有效提升，其中机器学习具有快速处理大量数据、分析提取有效信息等优点，已被越来越多地应用于故障检测与诊断技术中来。
[0003]传统的机器学习方法往往基于既得的监测数据，需要人工提取大量的特征，且模型的训练精度受训练样本的数量和质量的限制较大，对设备进行故障检测的精度难以进一步提高。此外，许多设备故障数据集还存在类别不平衡和噪声等问题，这也会影响深度学习模型的性能。为了解决这些问题，近年来出现了基于小样本数据的设备故障诊断方法的研究。这些方法通常采用元学习、迁移学习、对抗生成网络等技术来提高模型的泛化性能和鲁棒性。此外，还有一些研究关注于如何利用领域知识和物理模型等先验知识来提高故障诊断的效果。然而，现有技术对数据处理仍不够精细，对设备进行故障检测的方法鲁棒性和泛化能力仍需进一步提升，而且，现有技术对设备进行故障检测的精度也需要进一步提升。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于小样本的设备故障诊断方法、模型的构建方法及装置，对数据精细化处理，保证设备故障诊断的检测精度。且，还可以提升方法的鲁棒性和泛化能力。
[0005]第一方面，本专利技术实施例提供了一种基于小样本的设备故障诊断模型的构建方法，该基于小样本的设备故障诊断模型的构建方法包括：获取预先采集的样本数据集；样本数据集包括多种训练样本，其中，多种训练样本包括一种正常运行状态的第一训练样本和多种非正常运行状态的第二训练样本，第一训练样本和第二训练样本分别包括多个特征参数；根据每种训练样本分别对应的样本类别和近邻关系，对每种训练样本进行样本扩充，得到扩充样本；按照预设的模拟退火算法对扩充样本的特征参数对应的特征集进行迭代处理，确定扩充样本对应的目标特征集；将包含目标特征集的扩充样本输入至初始分类器中，构建设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
[0006]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，根据每种训练样本分别对应的样本类别和近邻关系，对每种训练样本进行样本扩充，得到扩充样本的步骤，包括：从多种训练样本对应的多种样本类别中选择目标样本类别；根据目标样本类别对应的训练样本数量和预设的扩充因子，确定当前样本类别的训练样本对应的样
本扩充数量；按照每个训练样本之间的相对距离，确定每个训练样本分别对应的多个近邻样本，并从多个近邻样本中选择目标近邻样本，生成包括目标近邻样本和训练样本的更新样本；根据训练样本的样本类别指示的样本扩充数量，将满足预设的扩充指标的更新样本加入样本数据集，得到扩充样本。
[0007]结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，扩充样本中包括多个子样本；方法还包括：确定扩充样本中的每个子样本分别对应的多个扩充近邻样本；基于多个扩充近邻样本对子样本进行插值处理，得到插值样本；将插值样本和子样本合并处理，得到更新的扩充样本。
[0008]结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，按照预设的模拟退火算法对扩充样本的特征参数对应的特征集进行迭代处理，确定扩充样本对应的目标特征集的步骤，包括：从扩充样本中选择初始特征参数指示的初始特征集；确定初始特征集对应的近似特征集；使用模拟退火算法基于近似特征集对初始特征集进行迭代处理，并在迭代处理的迭代结果满足预设的迭代值时，将当前初始特征集确定为扩充样本对应的目标特征集。
[0009]结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，确定初始特征集对应的近似特征集；使用模拟退火算法基于近似特征集对初始特征集进行迭代处理的步骤，包括：使用第一分类器从扩充样本中寻找初始特征集对应的近似特征集；基于近似特征集，对扩充样本包含的特征集进行调整，得到更新特征集；确定更新特征集对应的目标函数值，并在更新特征集的目标函数值与扩充样本的目标函数值的函数值差满足预设的比较阈值时，接受更新特征集，更新扩充样本；降低模拟退火算法的算法温度，执行从扩充样本中选择初始特征参数指示的初始特征集的步骤。第二方面，本专利技术实施例还提供一种基于小样本的设备故障诊断方法，基于小样本的设备故障诊断方法包括：获取目标设备的待测样本；将待测样本输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测样本进行数据分类，并输出分类结果；其中，设备故障诊断模型为基于上述基于小样本的设备故障诊断模型的构建方法构建得到；基于分类结果对目标设备进行故障诊断。
[0010]结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，将待测样本输入至预先构建的设备故障诊断模型中，通过设备故障诊断模型对待测样本进行数据分类，并输出分类结果的步骤，包括：基于设备故障诊断模型中的扩充样本，计算待测样本和扩充样本之间的数据距离；基于数据距离从扩充样本中确定对应于待测样本的多个初始分类样本；按照预先设置的计算公式确定每个初始分类样本对应的综合参数，并将综合参数最大的初始分类样本对应的样本类别指示为待测样本的分类结果。
[0011]结合第二方面，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，按照预先设置的计算公式确定每个初始分类样本对应的综合参数的步骤，包括：基于初始分类样本的特征参数对应的高斯距离计算初始分类样本对应的权重值；确定多个初始分类样本中的样本类别，以及每个样本类别对应的类别数量；根据每个初始分类样本的权重值，确定权重均值；将权重均值和样本类别对应的类别数量相乘，得到综合参数。
[0012]第三方面，本专利技术实施例还提供一种基于小样本的设备故障诊断模型的构建装置，基于小样本的设备故障诊断模型的构建装置包括：数据获取模块，用于获取预先采集的
样本数据集；样本数据集包括多种训练样本，其中，多种训练样本包括一种正常运行状态的第一训练样本和多种非正常运行状态的第二训练样本，第一训练样本和第二训练样本分别包括多个特征参数；样本扩充模块，用于根据每种训练样本分别对应的样本类别和近邻关系，对每种训练样本进行样本扩充，得到扩充样本；特征处理模块，用于按照预设的模拟退火算法对扩充样本的特征参数对应的特征集进行迭代处理，确定扩充样本对应的目标特征集；模型构建模块，用于将包含目标特征集的扩充样本输入至初始分类器中，构建设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。
[0013]第四方面，本专利技术实施例还提供一种基于小样本的设备故障诊断装置，基于小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本的设备故障诊断模型的构建方法，其特征在于，所述基于小样本的设备故障诊断模型的构建方法包括：获取预先采集的样本数据集；所述样本数据集包括多种训练样本，其中，多种所述训练样本包括一种正常运行状态的第一训练样本和多种非正常运行状态的第二训练样本，所述第一训练样本和所述第二训练样本分别包括多个特征参数；根据每种所述训练样本分别对应的样本类别和近邻关系，对每种所述训练样本进行样本扩充，得到扩充样本；按照预设的模拟退火算法对所述扩充样本的特征参数对应的特征集进行迭代处理，确定所述扩充样本对应的目标特征集；将包含所述目标特征集的扩充样本输入至初始分类器中，构建设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断。2.根据权利要求1所述的方法，其特征在于，所述根据每种所述训练样本分别对应的样本类别和近邻关系，对每种所述训练样本进行样本扩充，得到扩充样本的步骤，包括：从多种所述训练样本对应的多种样本类别中选择目标样本类别；根据所述目标样本类别对应的训练样本数量和预设的扩充因子，确定当前样本类别的所述训练样本对应的样本扩充数量；按照每个所述训练样本之间的相对距离，确定每个训练样本分别对应的多个近邻样本，并从多个所述近邻样本中选择目标近邻样本，生成包括所述目标近邻样本和所述训练样本的更新样本；根据所述训练样本的所述样本类别指示的所述样本扩充数量，将满足预设的扩充指标的所述更新样本加入所述样本数据集，得到所述扩充样本。3.根据权利要求2所述的方法，其特征在于，所述扩充样本中包括多个子样本；所述方法还包括：确定所述扩充样本中的每个子样本分别对应的多个扩充近邻样本；基于多个所述扩充近邻样本对所述子样本进行插值处理，得到插值样本；将所述插值样本和所述子样本合并处理，得到更新的扩充样本。4.根据权利要求1所述的方法，其特征在于，所述按照预设的模拟退火算法对所述扩充样本的特征参数对应的特征集进行迭代处理，确定所述扩充样本对应的目标特征集的步骤，包括：从所述扩充样本中选择初始特征参数指示的初始特征集；确定所述初始特征集对应的近似特征集；使用所述模拟退火算法基于所述近似特征集对所述初始特征集进行迭代处理，并在所述迭代处理的迭代结果满足预设的迭代值时，将当前初始特征集确定为所述扩充样本对应的目标特征集。5.根据权利要求4所述的方法，其特征在于，所述确定所述初始特征集对应的近似特征集；使用所述模拟退火算法基于所述近似特征集对所述初始特征集进行迭代处理的步骤，包括：使用第一分类器从所述扩充样本中寻找所述初始特征集对应的近似特征集；基于所述近似特征集，对所述扩充样本包含的特征集进行调整，得到更新特征集；
确定所述更新特征集对应的目标函数值，并在所述更新特征集的所述目标函数值与所述扩充样本的目标函数值的函数值差满足预设的比较阈值时，接受所述更新特征集，更新所述扩充样本；降低所述模拟退火算法的算法温度，执行从所述扩充样本中...

【专利技术属性】
技术研发人员：尹旭，马兵，张烁，续敏，王玉石，朱运恒，
申请(专利权)人：山东能源数智云科技有限公司，
类型：发明
国别省市：