一种旋转机械故障识别方法、装置、设备及存储介质

本发明涉及机械故障识别领域，尤其涉及一种旋转机械故障识别方法、装置、设备及存储介质。

背景技术：

1、随着现代工业的快速发展，大型旋转机械设备在石油、电力、航空航天等领域发挥着不可或缺的作用。在运行过程中准确、及时地识别机械故障，对于确保机械设备的安全运行，避免经济损失和重大灾难性事故具有重要意义。旋转机械故障诊断，可以有效确保机械装备的安全运行，降低维护成本和经济损失。

2、现有技术中故障诊断技术主要是通过深度学习的方法进行数据分析，通过对故障信号采集后，进行数据处理、特征提取和故障识别。对带有标签的数据进行深度学习，可以减少人为识别错误的发生率。然而，实际的工业中，旋转机械的故障数据中带有正确标签的是极少的，大多数据的都是无标签数据，通过模型来实现故障分类的深度学习，故障种类识别结果的准确性差，且对未知的故障形式无法识别。

3、因此，为了提高旋转机械故障识别的准确性，急需一种旋转机械故障识别的方法，能够在有很少标签数据的情况下对旋转机械故障进行准确地标识和识别。

技术实现思路

1、有鉴于此，有必要提供一种旋转机械故障识别的方法、装置、设备及存储介质，用以解决现有技术中因旋转机械故障识别的效率低以及准确性低的技术问题。

2、为了解决上述问题，第一方面，本发明提供了一种旋转机械故障识别方法，包括：

3、获取训练数据集，所述训练数据集包括多个有标签振动数据和多个无标签振动数据；

4、提取所述训练数据集的特征向量，获得多个有标签特征向量和多个无标签特征向量；

5、根据余弦相似度算法和所述多个有标签特征向量，生成所述多个无标签特征向量的第一软标签；根据温度系数和第一软标签，生成所述多个无标签特征向量的第二软标签，所述第二软标签和多个无标签特征向量组成多个软标签特征向量；

6、基于所述多个有标签特征向量和所述多个软标签特征向量对初始故障识别模型进行迭代训练，获得目标故障识别模型，基于所述目标故障识别模型对旋转机械故障进行识别。

7、在一种可能的实现方式中，提取所述训练数据集的特征向量，所述提取方式为采用特征提取模型进行特征向量提取，所述特征提取模型包括多个卷积模块、注意力机制和全连接层。

8、在一种可能的实现方式中，提取所述训练数据集的特征向量，获得多个有标签特征向量和多个无标签特征向量，包括：

9、基于所述卷积模块，提取训练数据集的特征向量，生成多个原始特征向量；

10、基于所述注意力机制，筛选出所述多个原始特征向量的主要信息，确定所述主要信息的权重，生成多个过滤特征向量；

11、基于全连接层，提取所述多个过滤特征向量的全局特征，生成多个全局特征向量；

12、将所述多个全局特征向量和所述多个过滤特征向量进行特征归一化处理，生成多个有标签特征向量和多个无标签特征向量。

13、在一种可能的实现方式中，根据余弦相似度算法和所述多个有标签特征向量，生成所述多个无标签特征向量的第一软标签，包括：

14、遍历所述多个有标签特征向量和所述多个软标签特征向量，计算每个无标签特征向量与多个有标签特征向量之间的第一余弦相似度；

15、筛选出所述第一余弦相似度高于第一预设阈值的无标签特征向量与有标签特征向量，生成第一匹配对；

16、根据所述第一匹配对、所述第一余弦相似度以及有标签特征向量的标签，生成无标签特征向量的第一软标签。

17、在一种可能的实现方式中，根据温度系数和第一软标签，生成所述多个无标签特征向量的第二软标签，所述第二软标签和多个无标签特征向量组成多个软标签特征向量，包括：

18、将温度系数加入到所述第一软标签中，计算生成第二相似度；

19、筛选出所述第二相似度高于第二预设阈值的无标签特征向量与有标签特征向量，生成第二匹配对；

20、根据所述第二匹配对和所述第二相似度，生成无标签特征向量的第二软标签；

21、根据所述第二软标签更新无标签特征向量，获得多个软标签特征向量。

22、在一种可能的实现方式中，基于所述多个有标签特征向量和所述多个软标签特征向量对初始故障识别模型进行迭代训练，获得目标故障识别模型，包括：

23、计算单个软标签特征向量在所述多个软标签特征向量的占比权重；

24、将所述多个软标签特征向量与多个有标签特征向量合并，生成合并特征集；

25、基于所述占比权重，根据合并特征集对初始故障识别模型进行迭代训练，获得迭代故障识别模型；

26、基于交叉熵，根据迭代故障识别模型对查询数据集进行故障识别分析，更新迭代故障识别模型的参数，生成目标故障识别模型。

27、在一种可能的实现方式中，基于交叉熵，根据迭代故障识别模型对查询数据集进行故障识别分析，更新迭代故障识别模型的参数，包括：

28、基于迭代故障识别模型，对查询数据集进行特征提取，生成查询特征集；

29、根据查询特征集识别查询特征集的软标签，生成查询软标签特征集；

30、基于交叉熵，计算查询特征集与查询软标签特征集的损失函数；

31、根据所述损失函数，对故障识别模型进行迭代训练，更新所述迭代故障识别模型的参数。

32、第二方面，本发明还提供了旋转机械故障识别装置，包括：

33、数据获取模块，用于获取训练集，所述训练特征集包括多个有标签振动数据和多个无标签振动数据；

34、特征提取模块，用于训练数据集的特征向量，获得多个有标签特征向量和多个无标签特征向量；

35、软标签生成模块，用于根据余弦相似度算法和所述多个有标签特征向量，生成所述多个无标签特征向量的第一软标签；根据温度系数和第一软标签，生成所述多个无标签特征向量的第二软标签，所述第二软标签和多个无标签特征向量组成多个软标签特征向量；

36、模型生成模块，用于基于所述多个有标签特征向量和所述多个软标签特征向量对初始故障识别模型进行迭代训练，获得目标故障识别模型，基于所述目标故障识别模型对旋转机械故障进行识别。

37、第三方面，本发明还提供一种电子设备，包括存储器和处理器，其中，所述存储器，用于存储程序和数据；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，实现如上文所述的旋转机械故障识别方法。

38、第四方面，本发明还提供一种计算机存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现如上文所述的旋转机械故障识别方法。

39、本发明的有益效果包括：首先，获取训练数据集，训练数据集分为有标签振动数据和无标振动签数据，提取训练数据集的特征向量，生成多个有标签特征向量和多个无标签特征向量；然后，基于余弦相似度和温度系数，对多个有标签特征向量和多个无标签特征向量进行遍历匹配，根据有标签特征向量的标签信息确定无标签特征向量的软标签，并将多个有软标签的无标签特征向量与多个有标签特征向量合并，再根据更新后的有标签特征集对初始故障识别模型进行迭代训练，得到目标故障识别模型，根据目标故障识别模型对旋转机械故障进行识别。本发明通过余弦相似度和温度系数构建的故障识别模型，能够通过对少数有标签数据和多数无标签数据进行特征提取，匹配，给无标签数据贴上多个软标签，然后通过模型进行多次迭代训练，得到能够识别多个无标签数据集的机械故障识别模型，使得机械故障识别模型能够在只有少数有标签数据或者未知故障类型的情况下能准确地进行机械故障识别，大大提高了机械故障识别的准确性。