[发明专利]一种工业设备的故障检测方法、计算设备及可读存储介质

说明书

本发明公开了一种工业设备的故障检测方法，在计算设备中执行，该方法包括：获取待检测设备运行时预设时长内的振动数据的频谱；将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱；将振动数据的归一化频谱输入到训练好的故障检测模型中进行处理，得到待检测设备的故障类别。其中，故障检测模型基于度量元学习模型构建。这样，在小样本情况下本发明的故障检测方法也可以获得很好的故障检测效果，从而可以提高小样本下故障检测的准确率。

技术领域

本发明涉及计算机领域，尤其涉及一种工业设备的故障检测方法、计算设备及可读存储介质。

背景技术

近年来，深度学习以其在特征提取与模式识别方面的独特优势在故障检测领域取得了显著进展。目前，深度置信网络、自编码网络、卷积神经网络、递归神经网络等深度学习模型已被广泛应用于故障检测领域。

然而，在将这些深度学习模型应用于故障检测领域时，需要利用大量的样本数据和充足的计算资源来对其进行训练。否则，故障分类的效果便会不佳。也就是说，基于深度学习的故障检测需要依赖大量的样本数据来保证其检测的准确度。但是，对于工业设备而言，获取大量的故障实例样本非常困难，或者甚至可以说是根本无法获取大量的故障实例样本。

为此，亟需一种新的故障检测方法以解决上述问题。

发明内容

为此，本发明提供了一种工业设备的故障检测方法、计算设备及可读存储介质，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种工业设备的故障检测方法，在计算设备中执行，该方法包括：获取待检测设备运行时预设时长内的振动数据的频谱；将振动数据的频谱进行归一化处理，得到振动数据的归一化频谱；将振动数据的归一化频谱输入到训练好的故障检测模型中进行处理，得到待检测设备的故障类别，故障检测模型基于度量元学习模型构建。

可选地，在根据本发明的工业设备的故障检测方法中，获取待检测设备运行时预设时长内的振动数据的频谱的步骤，包括：获取待检测设备运行时预设时长内的振动数据；利用短时傅里叶变换，获取振动数据的频谱。

可选地，在根据本发明的工业设备的故障检测方法中，振动数据为加速度数据。

可选地，在根据本发明的工业设备的故障检测方法中，度量元学习模型为原型网络。

可选地，在根据本发明的工业设备的故障检测方法中，故障检测模型包括特征提取模块和度量模块。

可选地，在根据本发明的工业设备的故障检测方法中，特征提取模块包括四层卷积网络，每层卷积网络包括一个卷积层、一个激活层和一个池化层。

可选地，在根据本发明的工业设备的故障检测方法中，故障检测模型基于下述方法训练：从总训练样本集中随机抽取第一预设数量种故障类别，总训练样本集中的每种故障类别下包括多个样本数据，样本数据为工业设备运行时预设时长内的振动数据的归一化频谱；对于抽取的每种故障类别，从总训练样本集中随机抽取第二预设数量个样本数据；将第二预设数量个样本数据中的第三预设数量个样本数据作为元训练的支持集，并将剩余的样本数据作为元训练的查询集；利用支持集和查询集对故障检测模型进行训练，得到初始故障检测模型；重复上述步骤，直到达到预定次数，获得训练好的故障检测模型。

可选地，在根据本发明的工业设备的故障检测方法中，利用支持集和查询集对故障检测模型进行训练的步骤，包括：将支持集中每种故障类别下的样本数据输入到特征提取模块中，得到每个样本数据的特征向量；基于得到的每个样本数据的特征向量，获取支持集中每种故障类别的原型表示；将查询集中每种故障类别下的样本数据输入到特征提取模块中，得到查询集中每个样本数据的特征向量；基于查询集中每个样本数据的特征向量和获取的每种故障类别的原型表示，获取查询集中每个样本数据所对应的预测故障类别；基于查询集中每个样本数据所对应的预测故障类别和真实故障类别之间的损失值，更新故障检测模型，得到初始故障检测模型。