[发明专利]基于人工智能的设备故障诊断与识别方法及装置

权利要求书

1.一种设备故障诊断模型的训练方法，其特征在于，所述方法包括：

获取预先采集的信号数据集；所述信号数据集中包括表征设备的正常运行状态的第一特征参数和多种非正常状态的第二特征参数；

对所述第一特征参数和所述第二特征参数分别进行特征提取，得到所述第一特征参数和所述第二特征参数分别包含的目标特征参数；

将所述目标特征参数输入至预先设置的初始分类器，对所述初始分类器进行训练，得到设备故障诊断模型；所述设备故障诊断模型用于对目标设备进行故障诊断；

对所述第一特征参数和所述第二特征参数分别进行特征提取，得到所述第一特征参数和所述第二特征参数分别包含的目标特征参数的步骤，包括：

将所述第一特征参数和所述第二特征参数输入至预设的深度神经网络，通过所述深度神经网络分别提取所述第一特征参数和所述第二特征参数包含的目标特征参数；

其中，所述深度神经网络为利用粒子群算法处理的深度神经网络；

所述方法还包括：

将所述信号数据集输入至初始神经网络中，根据所述信号数据集和所述初始神经网络的神经元权重向量的欧氏距离，确定所述信号数据集和所述神经元权重向量对应的适应度函数；所述适应度函数中包括所述信号数据集和所述神经元权重向量的欧氏距离；

根据所述适应度函数和所述初始神经网络的神经元权重向量，利用粒子群算法对所述初始神经网络进行参数搜索，确定初始神经元权重向量；

根据所述初始神经元权重向量和所述信号数据集对应的数量积，从所述适应度函数中确定目标欧氏距离指示的目标神经元；

对所述目标神经元及其对应的拓扑邻域内神经元的神经元权重向量进行调整修正，并使用所述粒子群算法对所述目标神经元的权重向量迭代处理，更新所述初始神经网络的神经元权重向量；

以及，在所述迭代处理指示的目标神经元的权重向量满足预设迭代阈值时，得到包括所述目标神经元的权重向量的深度神经网络。

2.根据权利要求1所述的方法，其特征在于，所述参数搜索包括第一分支搜索和第二分支搜索，所述第一分支搜索和所述第二分支搜索的分支方向不同；

根据所述适应度函数和所述初始神经网络的神经元权重向量，利用粒子群算法对所述初始神经网络进行参数搜索，确定初始神经元权重向量的步骤，包括：

针对所述初始神经网络的所述神经元权重向量，按照所述第一分支搜索指示的所述神经元权重向量的第一分支坐标值和所述适应度函数，确定对应的第一适应度值；

以及，按照所述第二分支搜索指示的所述神经元权重向量的第二分支坐标值和所述适应度函数，确定对应的第二适应度值；

根据所述第一适应度值和所述第二适应度值，确定所述参数搜索对应的更新粒子位置；所述更新粒子位置通过下述公式确定：

其中，为所述更新粒子位置，为更新前的搜索粒子位置，为数学中的符号函数，为搜索步长，为所述第一适应度值，为所述第二适应度值，为搜索粒子随机向量；

将所述更新粒子位置对应的神经元权重向量确定为所述初始神经元权重向量。

3.根据权利要求1所述的方法，其特征在于，根据所述初始神经元权重向量和所述信号数据集对应的数量积，从所述适应度函数中确定目标欧氏距离指示的目标神经元的步骤，包括：

对所述信号数据集和所述初始神经元权重向量进行归一化处理，得到归一化信号数据集和归一化神经元权重向量；

对所述归一化信号数据集和所述归一化神经元权重向量进行数量积矢量运算，确定所述数量积；

将所述数量积满足预设的数量积阈值时指示的归一化神经元权重向量确定为目标神经元的权重向量，得到所述目标神经元；其中，所述预设的数量积阈值对应于所述适应度函数中的目标欧氏距离。

4.一种设备故障诊断方法，其特征在于，所述方法包括：

获取目标设备的待测数据；

将所述待测数据输入至预先构建的设备故障诊断模型中，通过所述设备故障诊断模型对所述待测数据进行数据识别，并输出识别结果；

其中，所述设备故障诊断模型为基于权利要求1~3任一项所述的设备故障诊断模型的训练方法训练得到的；

基于所述识别结果对所述目标设备进行故障诊断。