一种故障诊断模型生成方法、故障诊断方法及电子设备

技术特征：
1.一种故障诊断模型生成方法，其特征在于，包括：获取源域样本和目标域样本，所述源域样本包括实验室环境中的设备检测数据以及相应的设备故障标签，所述目标域样本包括真实环境中的设备检测数据以及相应的设备故障标签；根据所述源域样本对分类模型进行预训练，以得到预训练模型，其中，所述分类模型包括用于分类的softmax层；用预设的待替换的softmax层替换所述预训练模型的softmax层，以得到待训练模型；根据所述目标域样本训练所述待训练模型，以生成故障诊断模型。2.根据权利要求1所述的故障诊断模型生成方法，其特征在于，所述获取源域样本和目标域样本之前，所述方法包括：获取实验室数据和真实数据，所述实验室数据和真实数据均为时间序列数据，所述实验室数据包括实验室中的设备检测数据以及相应的设备故障标签，所述真实数据包括工业中的设备检测数据以及相应的设备故障标签；将所述实验室数据和所述真实数据分割成相同长度的样本，以生成所述源域样本和目标域样本。3.根据权利要求2所述的故障诊断模型生成方法，其特征在于，根据滑动窗口法，将所述实验室数据和所述真实数据分割成相同长度的样本。4.根据权利要求2所述的故障诊断模型生成方法，其特征在于，所述实验室数据对应的设备和真实数据对应的设备的类别相同；所述实验室数据对应的设备与所述真实数据对应的设备的型号或尺寸不同。5.根据权利要求1所述的故障诊断模型生成方法，其特征在于，所述分类模型为残差全卷积神经网络模型；所述分类模型包括依次设置的输入层、第一卷积层、第二卷积层、第三卷积层、池化层和输出层，所述输出层使用所述softmax层分类；所述第一卷积层和第三卷积层均为残差结构；所述第一卷积层、第二卷积层和第三卷积层均用于执行卷积、批归一化和激活。6.根据权利要求1所述的故障诊断模型生成方法，其特征在于，所述根据所述源域样本对分类模型进行预训练，包括：根据所述源域样本的训练集数据训练所述分类模型；根据所述源域样本的验证集数据验证已训练的所述分类模型，若精度符合要求，则得到所述预训练模型，若精度不符合要求，则用所述源域样本的训练集数据继续训练所述分类模型。7.根据权利要求1所述的故障诊断模型生成方法，其特征在于，所述对分类模型的softmax层的神经元数量与所述源域样本中的设备故障标签的类别数量；所述用预设的待替换的softmax层替换所述预训练模型的softmax层，以得到待训练模型，包括：根据所述目标域样本中的设备故障标签的类别数量，生成所述待替换的softmax层，其中，所述待替换的softmax层的神经元数量与所述目标域样本中的设备故障标签的相同，所述待替换的softmax层的参数随机初始化；
将待替换的softmax层替换到所述预训练模型的softmax层，以得到所述待训练模型。8.根据权利要求1所述的故障诊断模型生成方法，其特征在于，所述根据所述目标域样本训练所述待训练模型，以生成故障诊断模型包括：根据所述目标域样本的训练集数据训练所述待训练模型的所有模型参数；根据所述目标域样本的验证集数据验证已训练的所述待训练模型，若精度符合要求，则得到故障诊断模型，若精度不符合要求，则根据所述目标域样本的训练集数据继续训练所述待训练模型的所有模型参数。9.一种故障诊断方法，其特征在于，包括：获取设备检测数据；将所述设备检测数据输入根据权利要求1～7任一所述的故障诊断模型生成方法生成的故障诊断模型，得到设备故障诊断结果。10.一种电子设备，其特征在于，包括：处理器；以及存储程序的存储器；其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-9中任一项所述的方法。

技术总结
本公开提供了一种故障诊断模型生成方法、故障诊断方法及电子设备，以提高诊断精度，故障诊断模型生成方法包括获取源域样本和目标域样本，根据源域样本对分类模型进行预训练，以得到预训练模型；用预设的待替换的softmax层替换预训练模型的softmax层，以得到待训练模型；根据目标域样本训练待训练模型，以生成故障诊断模型。实施本公开的技术方案，可以提高故障诊断精度。高故障诊断精度。高故障诊断精度。


技术研发人员：袁梅 赵涓如 崔晋 屈玉丰 赵怡然 黄君辉 董韶鹏 焦宗夏
受保护的技术使用者：北京航空航天大学宁波创新研究院
技术研发日：2022.04.20
技术公布日：2022/6/10