[发明专利]设备故障诊断方法、装置、电子设备及存储介质

权利要求书

1.一种设备故障诊断方法，其特征在于，包括：

基于预先创建的联合学习架构确定多个参与方，并获取所述参与方的设备在运行过程中产生的振动信号，其中所述参与方中包含至少一个所述设备；

利用预设的信号分析算法，对所述振动信号执行预处理操作，得到所述振动信号对应的信号特征数据，并基于所述信号特征数据，对所述设备执行聚类操作，得到多个相似设备组；所述信号特征数据包括时域特征、频域特征、频谱图、以及连续小波系数矩阵；所述利用预设的信号分析算法，对所述振动信号执行预处理操作，得到所述振动信号对应的信号特征数据，包括：利用预设的特征提取方法对所述振动信号进行特征提取，得到所述振动信号对应的时域特征和频域特征，对所述振动信号进行傅里叶变换，得到所述振动信号对应的频谱图，并利用小波变化方法获取所述振动信号的连续小波系数矩阵；

将每个所述参与方中同一所述相似设备组内的设备所对应的信号特征数据进行整合，得到训练数据，利用所述训练数据对多故障诊断模型进行训练得到本地模型；

基于每个所述相似设备组对应的本地模型，以及预设的模型聚合方法，对所述本地模型执行聚合操作，得到全局模型，并利用所述全局模型对所述本地模型进行更新，基于所述更新后得到的本地模型对设备进行故障诊断。

2.根据权利要求1所述的方法，其特征在于，所述基于预先创建的联合学习架构确定多个参与方，并获取所述参与方的设备在运行过程中产生的振动信号，包括：

将预设的目标对象作为参与方，利用所述参与方构建用于设备故障诊断的联合学习架构，并利用安装在所述设备上的振动传感器，使用不同的采样频率，采集所述设备在不同采样频率下产生的振动信号；其中，所述预设的目标对象包括工厂对象。

3.根据权利要求1所述的方法，其特征在于，所述基于所述信号特征数据，对所述设备执行聚类操作，得到多个相似设备组，包括：

将不同采样频率下的所述振动信号对应的时域特征和频域特征进行组合，得到与所述设备相对应的特征向量，将所述特征向量作为隐私聚类算法的输入，利用所述隐私聚类算法对所述设备进行聚类，以便将具有相似特征向量的设备划分为同一所述相似设备组。

4.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据对多故障诊断模型进行训练得到本地模型，包括：

针对每个所述参与方内的所述相似设备组，获取所述相似设备组内各个设备所对应振动信号的频谱图和连续小波系数矩阵，基于所述振动信号的采样频率，将所述频谱图和所述连续小波系数矩阵分别截取为一维特征向量和二维特征方阵；

将所述不同采样频率的振动信号、所述一维特征向量和所述二维特征方阵作为卷积神经网络模型的输入，根据预设的设备故障类型，构建基于卷积神经网络的多故障诊断模型；

利用所述训练数据对所述多故障诊断模型进行训练，得到与每个所述相似设备组相对应的本地模型，其中，所述多故障诊断模型中包含特征提取模块以及多故障分类模块。

5.根据权利要求4所述的方法，其特征在于，所述基于每个所述相似设备组对应的本地模型，以及预设的模型聚合方法，对所述本地模型执行聚合操作，得到全局模型，并利用所述全局模型对所述本地模型进行更新，包括：

获取全部相似设备组所对应的本地模型，将所述全部相似设备组的所述本地模型中的特征提取模块进行聚合，得到全局特征提取模块，并获取同一相似设备组所对应的本地模型，将所述同一相似设备组的所述本地模型中的多故障分类模块进行聚合，得到所述同一相似设备组对应的全局多故障分类模块；

针对每个所述参与方内的所述相似设备组，从所述联合学习架构的服务端下载相似设备组标识对应的全局特征提取模块以及全局多故障分类模块，并利用所述全局特征提取模块以及所述全局多故障分类模块，分别对所述相似设备组的本地模型中的特征提取模块及多故障分类模块进行更新；

在所述相似设备组的本地模型更新之后，多次重复执行所述聚合及更新操作，直至联合学习模型达到收敛。