【技术实现步骤摘要】
本申请涉及迁移学习领域，具体而言，涉及一种故障检测方法、装置及非易失性存储介质。
技术介绍
1、目前多采用深度学习方法进行轴承状态检测，而深度学习方法检测轴承状态依赖足够的训练样本、训练与测试数据具有相似的特征空间和特征分布，现有的技术很难收集到足够的样本，并且容易忽略关键轴承故障特征。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种故障检测方法、装置及非易失性存储介质，以至少解决由于采用深度学习方法提取特征时忽略特征本身造成的变工况轴承故障分类准确率不高的技术问题。
2、根据本申请实施例的一个方面，提供了一种故障检测方法，包括：对采集到的轴承振动信号进行分解，得到轴承振动信号的时频信息；采用特征提取网络模型提取时频信息中源域的第一故障特征和目标域的第二故障特征；采用特征分类网络模型确定第一故障特征和第二故障特征之间相似度，并依据相似度从第一故障特征的分类标签中确定第二故障特征的分类标签添加与第二故障特征的相似度最高的第一故障特征的标签，其中，第一故障特征的分类标签和第二故障特征的分类标签分别用于表示第一故障特征对应的故障类型和第二故障特征对应的故障类型。
3、可选地，对采集到的轴承振动信号进行分解，得到轴承振动信号的时频信息，包括：采用变分模态分解算法对轴承振动信号分解为不同分辨率下的模态分量，其中，模态分量用于表示轴承振动信号在时域和频域上的信号，且不同的模态分量具有不同中心频率的有限带宽；将模态分
4、可选地，采用特征提取网络模型提取时频信息中源域的第一故障特征和目标域的第二故障特征，包括：采用特征提取网络模型中的深度残差网络提取轴承振动信号的故障特征，其中，故障特征包括轴承振动信号在时频域中的故障特征：采用特征提取网络模型中的长短期记忆模型对故障特征进行处理，得到故障特征序列，其中，故障特征序列包括不同时间尺度的故障特征；采用特征提取网络模型中的注意力模块为故障特征序列中的特征赋予权重，以确定第一故障特征和第二故障特征。
5、可选地，深度残差网络的激活函数包括gelu函数；深度残差网络中的归一化层包括：层归一化ln层。
6、可选地，采用特征分类网络模型确定第一故障特征和第二故障特征之间相似度之前，方法还包括：采用联合判别概率最大均值差异确定第一故障特征和第二故障特征之间的距离权重因子；依据距离权重因子确定第一故障特征和第二故障特征之间的相似度。
7、可选地，特征分类网络模型的全连接层被不同大小的卷积网络层替代，特征分类网络模型的激活函数为gelu激活函数。
8、可选地，联合判别概率最大均值差异还用于计算第一故障特征和第二故障特征的损失函数，通过损失函数优化特征分类网络模型的网络参数。
9、根据本申请实施例的另一方面，还提供了一种故障检测装置，包括：信号采集处理模块，用于采集轴承振动信号，并将采集到的轴承振动信号进行分解，得到轴承振动信号的时频信息；特征提取模块，包括深度残差网络、长短期记忆模型和注意力模块，其中，深度残差网络用于提取轴承振动信号的故障特征，长短期记忆模型对故障特征进行处理，得到故障特征序列，注意力模块为故障特征序列中的特征赋予权重，以确定第一故障特征和第二故障特征；特征分类模块，用于确定第一故障特征和第二故障特征之间相似度，依据相似度从第一故障特征的分类标签中确定第二故障特征的分类标签添加与第二故障特征的相似度最高的第一故障特征的标签。
10、根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，在非易失性存储介质所在设备通过运行计算机程序执行任意故障检测方法。
11、根据本申请实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，其特征在于，存储器中存储有计算机程序，处理器被设置为通过计算机程序执行任意故障检测方法。
12、在本申请实施例中，采用对采集到的轴承振动信号进行分解，得到轴承振动信号的时频信息；采用特征提取网络模型提取时频信息中源域的第一故障特征和目标域的第二故障特征；采用特征分类网络模型确定第一故障特征和第二故障特征之间相似度，并依据相似度从第一故障特征的分类标签中确定第二故障特征的分类标签添加与第二故障特征的相似度最高的第一故障特征的标签，其中，第一故障特征的分类标签和第二故障特征的分类标签分别用于表示第一故障特征对应的故障类型和第二故障特征对应的故障类型的方式，通过对振动信号进行特征提取并训练网络模型，达到了确定故障类型的目的，从而实现了自主分类识别未知机械设备的各种故障类型同时能够实现对故障设备类型的快速定位的技术效果，进而解决了由于采用深度学习方法提取特征时忽略特征本身造成的变工况轴承故障分类准确率不高技术问题。
本文档来自技高网...【技术保护点】
1.一种故障检测方法，其特征在于，包括：
2.根据权利要求1所述的故障检测方法，其特征在于，对采集到的轴承振动信号进行分解，得到所述轴承振动信号的时频信息，包括：
3.根据权利要求1所述的故障检测方法，其特征在于，采用特征提取网络模型提取所述时频信息中源域的第一故障特征和目标域的第二故障特征，包括：
4.根据权利要求3所述的故障检测方法，其特征在于，所述深度残差网络的激活函数包括GELU函数；所述深度残差网络中的归一化层包括：层归一化LN层。
5.根据权利要求1所述的故障检测方法，其特征在于，采用特征分类网络模型确定第一故障特征和所述第二故障特征之间相似度之前，所述方法还包括：
6.根据权利要求5所述的故障检测方法，其特征在于，所述特征分类网络模型的全连接层被不同大小的卷积网络层替代，所述特征分类网络模型的激活函数为GELU激活函数。
7.根据权利要求5所述的故障检测方法，其特征在于，采用联合判别概率最大均值差异确定所述第一故障特征和所述第二故障特征的损失函数，通过所述损失函数优化所述特征分类网络模型的网络参
8.一种故障检测装置，其特征在于，包括：
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，在所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至7中任意一项所述的故障检测方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任意一项所述的故障检测方法。
...【技术特征摘要】
1.一种故障检测方法，其特征在于，包括：
2.根据权利要求1所述的故障检测方法，其特征在于，对采集到的轴承振动信号进行分解，得到所述轴承振动信号的时频信息，包括：
3.根据权利要求1所述的故障检测方法，其特征在于，采用特征提取网络模型提取所述时频信息中源域的第一故障特征和目标域的第二故障特征，包括：
4.根据权利要求3所述的故障检测方法，其特征在于，所述深度残差网络的激活函数包括gelu函数；所述深度残差网络中的归一化层包括：层归一化ln层。
5.根据权利要求1所述的故障检测方法，其特征在于，采用特征分类网络模型确定第一故障特征和所述第二故障特征之间相似度之前，所述方法还包括：
6.根据权利要求5所述的故障检测方法，其特征在于，所述特征分类网络模型...
【专利技术属性】
技术研发人员：尹洪申，苏莎莎，张倩倩，
申请(专利权)人：中国电信股份有限公司，
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。