[发明专利]检测方法、装置、存储介质及处理器

说明书

本发明公开了一种检测方法、装置、存储介质及处理器。其中，该方法包括：获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的；将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于第二检测模型对待检测制冷机组的特征参数进行检测。本发明解决了由于现有技术无法使用小样本训练检测模型，造成的检测效率差的技术问题。

技术领域

本发明涉及检测领域，具体而言，涉及一种检测方法、装置、存储介质及处理器。

背景技术

随着科学技术的发展，如何降低设备的维护维修成本成为非常关键的问题。设备故障会导致能源超额使用、碳排放量增加、生产和工作环境的失控、用户投诉、运维成本的上升，因此故障异常检测对实现智能化管理至关重要。在现有故障检测方法，存在有效数据量缺少、模型训练代价高等问题，导致设备故障检测准确度低，花费高等问题。

关于故障检测问题为提升故障检测模型的性能，许多专家学者尝试了多种方法。主要将故障检测方法大致分为三类：基于模型的、基于知识的和基于数据驱动的。

基于模型的故障检测方法利用系统内部的深层信息反映物理系统故障的本质特征，诸如利用非线性状态估计方法，建立变桨控制系统模型，通过观测向量与正常变桨模型的偏差实现对变浆系统的故障识别。

基于知识的故障检测方法包括模糊故障诊断、专家系统等，指信息被收集后，运用各种专家知识进行推理的一种方法。例如，首先根据知识向量机来确定模型，然后根据模型进行了知识推理和信息融合混合推理的故障识别模式。

基于数据驱动的故障检测方法是利用设备已有的运行数据信息，通过数据挖掘、数学统计分析等技术实现数据特征属性与对应状态之间的映射关系，从而达到故障检测的目的。例如，利用最小二乘支持向量机对调节阀进行了故障检测和分类，首先对实验数据进行了清洗，然后利用LS-SVM多分类器对调节阀样本进行了分类实验，取得了比较好的实验结果。

但是，上述已有的故障检测技术存在泛化能力弱，数据要求高等问题：例如基于数据驱动的故障检测方法虽然准确度较高、训练时间较短，但是该模型难以移植、对于小样本数据情况模型难以训练。因此，本发明提出了一种基于迁移学习解决多元时间序列数据的小样本问题的设备故障检测方法。该方法能很好的利用现有的数据，将已有的经验结果迁移入目标源模型中，可以很好的解决目标源小样本问题。从而使得目标源模型准确度更高、训练时间更短。

针对上述由于现有技术无法使用小样本训练检测模型，而造成检测效率差的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种检测方法、装置、存储介质及处理器，以至少解决由于现有技术无法使用小样本训练检测模型，造成的检测效率差的技术问题。

根据本发明实施例的一个方面，提供了一种检测方法，包括：获取第一检测模型，所述第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，所述多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；将所述第一检测模型中的模型参数迁移至预先配置的用于对所述待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于所述待检测制冷机组的样本数据对所述初始检测模型的模型参数进行调整，得到第二检测模型，其中，所述样本数据为所述待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于所述第二检测模型对所述待检测制冷机组的特征参数进行检测，得到所述待检测制冷机组的检测结果。