[发明专利]设备故障分类方法、装置、设备及介质

说明书

本申请公开了设备故障分类方法、装置、设备及介质，所述方法包括：获取设备振动信号，构建设备振动信号对应的样本集合；依据有标签样本集合，构建深度神经关系网络；将无标签样本和有标签样本成对输入深度神经关系网络，得到第一关联关系评分；根据第一关联关系评分和有标签样本的设备健康状态标签，生成无标签样本对应的伪标签；依据训练样本集、无标签样本和伪标签，重新训练深度神经关系网络，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，得到待检测设备的故障分类结果。本申请解决了现有技术中依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种设备故障分类方法、装置、设备及介质。

背景技术

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。该学科的快速发展涌现出了大量的机器学习模型与算法，例如：支持向量机，决策树，深度森林，宽度学习系统，极限学习机以及这些模型的推广、变形与应用。

近年来，基于机器学习的设备故障诊断技术不断涌现，机器学习模型在故障诊断中能够取得良好的性能，机器学习模型的训练需要大量的标记样本，这在许多工业场合是很难实现的，而依据少量标记样本构建的机器学习模型进行设备故障诊断，其准确性通常不高。

发明内容

本申请的主要目的在于提供一种设备故障分类方法、装置、设备及介质，旨在解决依据少量标记样本构建的机器学习模型进行设备故障诊断的准确性低的技术问题。

为实现上述目的，本申请提供一种设备故障分类方法，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。

本申请还提供一种设备故障分类装置，所述设备故障分类装置包括：

样本集合构建模块，用于获取设备振动信号，构建所述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；

神经网络构建模块，用于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；

第一评分模块，用于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各所述有标签样本之间的关联关系，得到各第一关联关系评分；

伪标签生成模块，用于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；

故障分类模型构建模块，用于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；