【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种设备内部部件的故障识别方法及装置、介质、终端。
技术介绍
1、随着经济与科技的飞跃发展，机械设备系统的内部构造愈加复杂，包含了大量的内部部件，同时鉴于各行各业对于机械设备使用的密切性与广泛性，因此，针对设备内部部件的故障识别成为设备健康管理中的重要环节。
2、目前，针对设备内部部件的故障识别大多采用基于专家知识的故障分析方法。然而，由于需要基于大量专业准确的专家知识积累，具有困难性，同时由于对主观经验的高度依赖，导致故障识别结果的准确率起伏不定。
技术实现思路
1、有鉴于此，本申请提供一种设备内部部件的故障识别方法及装置、介质、终端，主要目的在于改善现有基于专家知识的故障分析，由于需要基于大量专业准确的专家知识积累，具有困难性，同时由于对主观经验的高度依赖，导致故障识别结果的准确率起伏不定的问题。
2、依据本申请一个方面，提供了一种设备内部部件的故障识别方法，包括：
3、获取目标设备内部部件的激光多普勒测振信号；
4、基于已完成模型训练的故障识别模型对所述激光多普勒测振信号进行识别处理，得到所述目标设备内部部件的故障识别结果，所述故障识别模型是由自编码器以及动态卷积神经网络分类器组合，并经过多轮次的模型训练得到的，其中，每一轮次的模型训练是基于多个批次训练样本完成的；
5、在预设故障识别结果与故障处理方案映射关系表中，查找与所述目标设备内部部件的故障识别结果相匹配的预设故障识别结果，并调取
6、优选的，所述基于已完成模型训练的故障识别模型对所述激光多普勒测振信号进行识别处理，得到所述目标设备内部部件的故障识别结果之前，所述方法还包括：
7、基于自编码器以及动态卷积神经网络分类器构建初始故障识别模型；
8、基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型，所述训练样本集中包含多个批次的训练样本。
9、优选的，所述基于训练样本集多所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型之前，所述方法还包括：
10、基于激光多普勒测振仪采集多个故障模拟件的原始激光多普勒测振信号；
11、在各个所述原始激光多普勒测振信号上加入第一随机噪声，得到多个训练样本激光多普勒测振信号；
12、分别将各个所述训练样本激光多普勒测振信号的真实故障类别标记为对应的故障模拟件的故障类别，以生成训练样本集。
13、优选的，所述基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型，具体包括：
14、基于所述初始故障识别模型对第一批次训练样本中的激光多普勒测振信号进行识别处理，得到对应的第一批次故障识别结果；
15、基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型，所述第一批次损失总值用于表征所述初始故障识别模型中自编码器所产生的损失值以及动态卷积神经网络分类器所产生的损失值之和。
16、优选的，所述基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型之后，所述方法包括：
17、基于所述更新后的故障识别模型对下一批次训练样本中的激光多普勒测振信号进行识别处理，得到对应的下一批次故障识别结果；
18、基于所述更新后的故障识别模型对应的下一批次损失总值更新所述更新后的故障识别模型的模型参数，得到再次更新后的故障识别模型，所述下一批次损失总值用于表征所述更新后的故障识别模型中自编码器所产生的损失值以及动态卷积神经网络分类器所产生的损失值之和；
19、若所述下一批次为所述训练样本集中的最后批次样本，则完成当前轮次的模型训练，得到当前轮次更新后的故障识别模型。
20、优选的，所述若所述下一批次为所述训练样本集中的最后批次样本，则完成当前轮次的模型训练，得到当前轮次更新后的故障识别模型之后，所述方法还包括：
21、若所述当前轮次大于预设模型训练轮次阈值，则将所述当前轮次更新后的故障识别模型确定为已完成模型训练的故障识别模型。
22、优选的，所述基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型之前，所述方法还包括：
23、分别计算所述自编码器输出结果与加噪样本之间的第一损失值，以及所述第一批次故障识别结果与所述第一批次训练样本中的真实故障类别之间的第二损失值，所述加噪样本是在所述原始激光多普勒测振信号上加入第二随机噪声后得到的；
24、将所述第一损失值与所述第二损失值进行加和处理，得到所述初始故障识别模型对应的第一批次损失总值。
25、依据本申请另一个方面，提供了一种设备内部部件的故障识别装置，包括：
26、获取模块，用于获取目标设备内部部件的激光多普勒测振信号；
27、识别模块，用于基于已完成模型训练的故障识别模型对所述激光多普勒测振信号进行识别处理，得到所述目标设备内部部件的故障识别结果，所述故障识别模型是由自编码器以及动态卷积神经网络分类器组合得到的；
28、控制模块，用于在预设故障识别结果与故障处理方案映射关系表中，查找与所述目标设备内部部件的故障识别结果相匹配的预设故障识别结果，并调取所述预设故障识别结果对应的故障处理方案，以基于所述故障处理方案控制所述目标设备。
29、优选的，所述识别模块之前，所述装置还包括：
30、构建模块，用于基于自编码器以及动态卷积神经网络分类器构建初始故障识别模型；
31、训练模块，用于基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型，所述训练样本集中包含多个批次的训练样本。
32、优选的，所述训练模块之前，所述装置还包括生成模块，用于：
33、基于激光多普勒测振仪采集多个故障模拟件的原始激光多普勒测振信号；
34、在各个所述原始激光多普勒测振信号上加入第一随机噪声，得到多个训练样本激光多普勒测振信号；
35、分别将各个所述训练样本激光多普勒测振信号的真实故障类别标记为对应的故障模拟件的故障类别，以生成训练样本集。
36、优选的，所述训练模块，具体包括：
37、第一识别单元，用于基于所述初始故障识别模型对第一批次训练样本中的激光多普勒测振信号进行识别处理，得到对应的第一批次故障识别结果；
38、第一更新单元，用于基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型，所述第一批次损失总值用于表征所述初始故障识别模型中自编码器所产生的损本文档来自技高网...
【技术保护点】
1.一种设备内部部件的故障识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于已完成模型训练的故障识别模型对所述激光多普勒测振信号进行识别处理，得到所述目标设备内部部件的故障识别结果之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型之前，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型之后，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述若所述下一批次为所述训练样本集中的最后批次样本，则完成当前轮次的模型训练，得到当前轮次更新后的故障识别模型之后，所述方法还包括：
7.根据权利要求4所述的方法，其特征在于，所
8.一种设备内部部件的故障识别装置，其特征在于，包括：
9.一种存储介质，所述存储介质中存储有至少一条可执行指令，其特征在于，所述可执行指令使处理器执行如权利要求1-7中任一项所述的设备内部部件的故障识别方法对应的操作。
10.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种设备内部部件的故障识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于已完成模型训练的故障识别模型对所述激光多普勒测振信号进行识别处理，得到所述目标设备内部部件的故障识别结果之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型之前，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述基于训练样本集对所述初始故障识别模型进行模型训练，得到已完成模型训练的故障识别模型，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述初始故障识别模型对应的第一批次损失总值更新所述初始故障识别模型的模型参数，得到更新后的故障识别模型之后，所述方法包括：
<...【专利技术属性】
技术研发人员：陈雪莹，周成宁，蒋兆翔，刘才学，黄彦平，何攀，杨泰波，陈祖洋，李书剑，
申请(专利权)人：中国核动力研究设计院，
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。