[发明专利]故障检测模型的训练方法和机电设备的故障检测方法

说明书

本申请涉及一种故障检测模型的训练方法和机电设备的故障检测方法。故障检测模型的训练方法包括：获取训练信号数据；对训练信号数据进行特征提取，得到第一信号特征；将训练信号数据进行重构及分解，得到第二信号特征；对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。该方法在可提高训练得到的故障检测模型的精度，进而提高得到的检测结果的准确性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种故障检测模型的训练方法和机电设备的故障检测方法。

背景技术

在工业领域中，机电设备可以帮助人们降低工作难度及提高工作效率，保证机电设备的正常工作状态则至关重要，因此，有效的对机电设备进行故障检测，可以提高机电设备的运转安全性，减小事故发生的机率。机电设备在工作运转时，通常会产生一系列的振动信号，基于振动信号进行分析可以确定机电设备的故障类型。

基于振动信号分析故障类型可以分为信号采集、特征提取和故障识别等步骤，传统技术通常提取振动信号的时域、频域及时频域特征或者采用振动信号经过短时傅里叶变换或者小波变换等处理后的时频图输入到故障检测模型(如神经网络模型)进行故障识别。

但是，由于基于卷积神经网络的故障检测模型对特征矩阵进行运算时，特征矩阵边缘位置的信息会有一定损失，若该边缘位置的信息比较重要，则导致传统技术在故障识别时准确率较低。

发明内容

基于此，有必要针对传统技术在故障识别时准确率较低的问题，提供一种故障检测模型的训练方法和机电设备的故障检测方法。

第一方面，本申请实施例提供一种故障检测模型的训练方法，包括：

获取训练信号数据；

对训练信号数据进行特征提取，得到第一信号特征；

将训练信号数据进行重构及分解，得到第二信号特征；

对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；

计算检测结果与预设标签之间的损失，根据损失对初始故障检测模型进行训练；当损失达到收敛时，初始故障检测模型训练完成，得到故障检测模型。

第二方面，本申请实施例提供一种机电设备的故障检测方法，包括：

获取待检测信号，待检测信号包括振动信号或音频信号；

对待检测信号进行特征提取，得到第一信号特征；

将待检测信号进行重构及分解，得到第二信号特征；

对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入故障检测模型中，得到故障检测结果。

第三方面，本申请实施例提供一种故障检测模型的训练装置，包括：

第一获取模块，用于获取训练信号数据；

第一特征提取模块，用于对训练信号数据进行特征提取，得到第一信号特征；

第一重构分解模块，用于将训练信号数据进行重构及分解，得到第二信号特征；

第一检测模块，用于对第一信号特征和第二信号特征按照预设的次序进行排列，将排列结果输入初始故障检测模型中，得到检测结果；预设的次序表征第一信号特征和第二信号特征的重要程度；