[发明专利]设备故障分类方法、装置、设备及介质

权利要求书

1.一种设备故障分类方法，其特征在于，所述设备故障分类方法包括：

获取设备振动信号，构建所述设备振动信号对应的样本集合，其中，所述样本集合包括有标签样本集合和无标签样本集合；

依据从所述有标签样本集合中提取的训练样本集，构建深度神经关系网络；

通过将所述无标签样本集合中无标签样本和所述有标签样本集合中有标签样本成对输入所述深度神经关系网络，预测所述无标签样本和所述有标签样本之间的关联关系，得到第一关联关系评分；

根据所述第一关联关系评分和所述有标签样本的设备健康状态标签，生成所述无标签样本对应的伪标签；

依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签，重新训练所述深度神经关系网络，得到深度神经关系网络故障分类模型；

通过所述深度神经关系网络故障分类模型对待检测设备进行设备故障分类预测，得到所述待检测设备的故障分类结果。

2.如权利要求1所述设备故障分类方法，其特征在于，所述训练样本集包括第一训练样本和第二训练样本，

所述依据从所述有标签样本集合中提取的训练样本集，构建深度神经关系网络的步骤包括：

获取初始化深度神经关系网络，其中，所述初始化深度神经关系网络包括特征提取模块和关系预测模块；

依据所述特征提取模块，分别对所述第一训练样本和所述第二训练样本进行特征提取，得到所述第一训练样本对应的第一特征向量和所述第二训练样本对应的第二特征向量；

对所述第一特征向量和所述第二特征向量进行拼接，得到拼接特征向量；

通过将所述拼接特征向量输入所述关系预测模块，预测所述第一训练样本和所述第二训练样本之间的关联关系，得到第一关系预测得分；

根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签，计算第一关系网络损失；

根据所述第一关系网络损失，迭代更新所述初始化深度神经关系网络，得到所述深度神经关系网络。

3.如权利要求2所述设备故障分类方法，其特征在于，利用以下公式，根据所述第一关系预测得分、所述第一训练样本对应的第一设备健康状态标签以及所述第二训练样本对应的第二设备健康状态标签，计算第一关系网络损失：

其中，为特征提取模型的参数，为关系预测模块的参数，β为所述训练样本集的样本数量，r_ij为所述第一关系预测得分，是指示函数，当且仅当输入的两个样本属于同一个类时等于1，否则为0，y_i为所述第一设备健康状态标签，y_j为所述第二设备健康状态标签。

4.如权利要求1所述设备故障分类方法，其特征在于，所述根据各所述第一关联关系评分和各所述有标签样本的设备健康状态标签，生成所述无标签样本对应的伪标签的步骤包括：

依据各所述有标签样本对应的设备健康状态标签，在所述第一关联关系评分中确定不同健康状况对应的若干关联关系评分；

分别对各所述健康状况对应的若干关联关系评分进行求平均，得到各所述健康状况对应的平均预测得分；

在各所述健康状况中确定平均预测得分最高的目标健康状况，生成所述目标健康状况对应的设备健康状态标签作为所述伪标签。

5.如权利要求1所述设备故障分类方法，其特征在于，所述依据所述训练样本集、所述无标签样本和所述无标签样本对应的伪标签，重新训练所述深度神经关系网络，得到深度神经关系网络故障分类模型的步骤包括：

通过将所述无标签样本和所述无标签样本对应的伪标签加入所述训练样本集，得到扩充样本集；

将所述扩充样本集中样本成对输入所述深度神经关系网络，预测成对输入的样本之间的关联关系，得到第二关系预测得分；

根据所述第二关联预测得分和所述成对输入的样本对应的设备健康状态标签，计算第二关系网络损失；

根据所述第二关系网络损失，迭代更新所述深度神经关系网络，得到所述深度神经关系网络故障分类模型。