[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

说明书

本发明提供了一种基于人工智能的设备故障诊断与识别方法及装置，涉及故障诊断技术领域，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，其中，设备故障诊断模型的训练方法包括：获取预先采集的信号数据集；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；对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型。本发明所对应的设备故障诊断模型在设备故障诊断任务中，能够有效提高设备故障的识别精度。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于人工智能的设备故障诊断与识别方法及装置。

背景技术

随着科技的发展和制造工艺的进步，设备的复杂度不断增加，在使用过程中的任何异常或故障不仅直接影响产品的使用，而且还可能造成严重的安全事故。经过长期的实践和经验，要使设备或系统能够安全、可靠、有效地运行，必须要对其进行故障检测与诊断。传统的故障诊断在操作时对技术人员水平要求较高，且不适用于更深层次的诊断场景，因此，故障诊断技术伴随着人工智能及其衍生物的不断发展，逐渐实现了向智能故障诊断方向的转型。

智能故障诊断的核心在于生成一个能够以“专家”身份来对设备进行故障诊断的实体，可以给出与传统专家检测相同的诊断结果。与此同时，随着机器学习不断地发展，其在故障诊断领域的表现也越来越优异。早期的故障检测与诊断主要依赖于专家或技术人员的决策，然而专业人员容易受到压力、疲劳、心理因素、自身知识水平、技能等影响，做出与实际状态相差较大的分析，从而产生错误的判断。随着技术的不断进步，待测对象不断复杂化、大型化、非线性化、系统化，建立精确的数学模型难度越来越大，各设备之间存在的耦合，使得模型难度也会成指数增加。

现有技术中，通常通过判断特征值是否异常来判断待测对象是否发生故障，该方法只是对待测对象的信号数据进行分析，对系统高维信号之间的耦合性和关联度挖掘不够，没有更加深入地利用待测对象的深层信息。此外，还可以通过机器学习来对数据进行分析，然而，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。

其中，现有的许多方法难以对设备故障数据进行深度特征提取，导致算法难以进行精准识别与分类。并且，在利用深度学习或神经网络进行设备故障识别时，传统的反向传播方式更新模型参数过程中，容易出现梯度消失和梯度爆炸的问题，使得模型训练效果差，识别精度低。此外，利用深度学习或神经网络进行设备故障识别时，常会出现局部最小化以及收敛速度慢的问题，对模型训练造成影响，严重影响设备故障的识别效率。且，在实际设备故障识别应用现场中，故障数据采集困难，各故障类别数据通常不均衡，算法存在执行能力弱、适应性不强、稳定性差等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工智能的设备故障诊断与识别方法及装置，包括设备故障诊断模型的训练方法、装置和设备故障诊断方法、装置，能够有效提高设备故障诊断任务中设备故障的识别精度。

第一方面，本发明实施例提供了一种设备故障诊断模型的训练方法，该方法包括：获取预先采集的信号数据集；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；对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数；将目标特征参数输入至预先设置的初始分类器，对初始分类器进行训练，得到设备故障诊断模型；设备故障诊断模型用于对目标设备进行故障诊断。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对第一特征参数和第二特征参数分别进行特征提取，得到第一特征参数和第二特征参数分别包含的目标特征参数的步骤，包括：将第一特征参数和第二特征参数输入至预设的深度神经网络，通过深度神经网络分别提取第一特征参数和第二特征参数包含的目标特征参数；其中，深度神经网络为利用粒子群算法处理的深度神经网络。