本技術(shù)涉及工業(yè)設(shè)備故障診斷，特別是涉及一種空間層級語義構(gòu)建與設(shè)備故障診斷方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)在眾多領(lǐng)域展現(xiàn)出了卓越的性能。傳統(tǒng)的監(jiān)督學(xué)習(xí)方法需要大量的標注數(shù)據(jù)來訓(xùn)練模型。然而，在實際應(yīng)用中，獲取大規(guī)模的標注數(shù)據(jù)往往是非常困難且昂貴的。零樣本學(xué)習(xí)方法正是為了解決這些問題而提出的，零樣本方法利用了類別的語義信息，將從已見類別中學(xué)到的知識遷移到未見類別，對新的類別進行識別，而無需額外的標注數(shù)據(jù)。廣義零樣本學(xué)習(xí)擴展了傳統(tǒng)的零樣本學(xué)習(xí)，能夠同時識別已見類別和未見類別，更加符合實際的應(yīng)用場景特別。

2、在設(shè)備故障診斷領(lǐng)域，尤其是工業(yè)設(shè)備故障診斷中，常常面臨新型故障或罕見故障缺乏可用于模型訓(xùn)練的樣本的問題，這限制了傳統(tǒng)有監(jiān)督的學(xué)習(xí)方法的應(yīng)用，而廣義零樣本學(xué)習(xí)方法提供了一種新的解決方案。廣義零樣本設(shè)備故障診斷利用文字語義和屬性來描述故障，通過已有的大量已見設(shè)備故障樣本來學(xué)習(xí)故障特征與故障描述和屬性之間的關(guān)聯(lián)，據(jù)此來推斷識別未見設(shè)備故障的類型。

3、不同的設(shè)備故障存在于不同的系統(tǒng)、設(shè)備以及設(shè)備部件，這些空間層級分布的特征對于描述故障具有重大意義。設(shè)備故障空間層級語義可以反應(yīng)不同設(shè)備故障在各個空間層級上的關(guān)聯(lián)，對于在廣義零樣本設(shè)備故障診斷方法中生成未見設(shè)備故障樣本特征具有很好的約束引導(dǎo)效果，能夠提升廣義零樣本設(shè)備故障診斷的準確度。然而，傳統(tǒng)的廣義零樣本設(shè)備故障診斷方法往往利用來源于專家的經(jīng)驗和設(shè)備運維記錄來構(gòu)建設(shè)備故障的描述信息和屬性特征，忽略了設(shè)備故障空間層級分布的特征，使得設(shè)備故障診斷的準確度較低。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是提供一種空間層級語義構(gòu)建與設(shè)備故障診斷方法，以解決設(shè)備故障診斷準確度較低的問題。

2、為實現(xiàn)上述目的，本技術(shù)提供了如下方案。

3、本技術(shù)提供了一種空間層級語義構(gòu)建與設(shè)備故障診斷方法，包括：

4、獲取待診斷系統(tǒng)中的各設(shè)備的特征；所述特征為對運行數(shù)據(jù)和環(huán)境數(shù)據(jù)進行特征提取后的向量；

5、將待診斷系統(tǒng)中的各設(shè)備的特征輸入至故障診斷模型中，得到所述待診斷系統(tǒng)中的故障類別的預(yù)測值；所述故障診斷模型是基于故障已見類別數(shù)據(jù)集、故障已見類別空間層級語義集、樣本特征生成模型和多層感知器確定的；所述故障已見類別數(shù)據(jù)集包括：多個已見類別故障的原始樣本特征和標簽，所述故障已見類別空間層級語義集包括：故障已見類別數(shù)據(jù)集中的多個已見類別故障的空間層級語義；所述標簽為故障類別的實際值，所述空間層級語義為故障的描述屬性值構(gòu)成的向量，所述空間層級語義包括k層語義，k>1。

6、可選地，所述故障診斷模型的確定過程，包括：

7、獲取故障已見類別訓(xùn)練數(shù)據(jù)集和故障已見類別空間層級語義集；

8、初始化所述樣本特征生成模型的參數(shù)；

9、基于總損失函數(shù)，利用所述故障已見類別訓(xùn)練數(shù)據(jù)集和所述故障已見類別空間層級語義集對所述樣本特征生成模型進行訓(xùn)練，得到訓(xùn)練好的樣本特征生成模型；

10、利用訓(xùn)練好的樣本特征生成模型隨機生成多個故障未見類別特征對應(yīng)的生成樣本特征和標簽，得到故障未見類別訓(xùn)練數(shù)據(jù)集；

11、將所述故障已見類別訓(xùn)練數(shù)據(jù)集和所述故障未見類別訓(xùn)練數(shù)據(jù)集進行合并，得到設(shè)備故障診斷訓(xùn)練數(shù)據(jù)集；

12、基于多層感知器構(gòu)建所述故障診斷模型的初始網(wǎng)絡(luò)；

13、利用所述設(shè)備故障診斷訓(xùn)練數(shù)據(jù)集對所述初始網(wǎng)絡(luò)進行訓(xùn)練，得到所述故障診斷模型。

14、可選地，所述樣本特征生成模型包括：條件變分自編碼器模塊、條件生成對抗網(wǎng)絡(luò)模塊和層級語義信息對齊模塊；

15、所述條件變分自編碼器模塊包括：編碼器和解碼器；所述編碼器采用多層感知器實現(xiàn)，所述解碼器由k層全連接網(wǎng)絡(luò)和激活函數(shù)組成的多層感知器組成；

16、所述條件生成對抗網(wǎng)絡(luò)模塊包括：生成器和判別器；所述生成器復(fù)用所述條件變分自編碼器模塊的解碼器，所述判別器采用多層感知器實現(xiàn)；

17、所述層級語義信息對齊模塊包括：k層語義信息對齊層。

18、可選地，基于總損失函數(shù)，利用所述故障已見類別訓(xùn)練數(shù)據(jù)集和所述故障已見類別空間層級語義集對所述樣本特征生成模型進行訓(xùn)練，得到訓(xùn)練好的樣本特征生成模型，包括：

19、基于所述總損失函數(shù)，利用所述故障已見類別訓(xùn)練數(shù)據(jù)集和所述故障已見類別空間層級語義集對所述樣本特征生成模型進行多輪次訓(xùn)練，得到訓(xùn)練好的樣本特征生成模型；其中，任一當(dāng)前輪次的訓(xùn)練過程，包括：

20、將所述故障已見類別訓(xùn)練數(shù)據(jù)集中的各已見類別故障的原始樣本特征和所述故障已見類別空間層級語義集中的各已見類別故障的空間層級語義分別輸入至當(dāng)前輪次下的初始樣本特征生成模型中，得到各已見類別故障對應(yīng)的當(dāng)前輪次下的均值、方差、生成樣本特征、真假程度得分和嵌入向量；其中，當(dāng)前輪次為初始輪次時，當(dāng)前輪次下的初始樣本特征生成模型為初始化的樣本特征生成模型，當(dāng)前輪次為非初始輪次時，當(dāng)前輪次下的初始樣本特征生成模型為上一輪次下的目標樣本特征生成模型；

21、根據(jù)所有已見類別故障對應(yīng)的當(dāng)前輪次下的均值、方差、生成樣本特征、真假程度得分和嵌入向量，計算當(dāng)前輪次下的總損失值；

22、判斷是否滿足停止條件；所述停止條件為當(dāng)前輪次下的總損失值小于預(yù)設(shè)損失值或當(dāng)前輪次達到預(yù)設(shè)訓(xùn)練輪次；

23、若是，則將當(dāng)前輪次下的初始樣本特征生成模型確定為訓(xùn)練好的樣本特征生成模型；

24、若否，則更新當(dāng)前輪次下的初始樣本特征生成模型的參數(shù)，得到當(dāng)前輪次下的目標樣本特征生成模型，將當(dāng)前輪次更新為下一輪次，直到滿足停止條件，得到訓(xùn)練好的樣本特征生成模型。

25、可選地，將所述故障已見類別訓(xùn)練數(shù)據(jù)集中的各已見類別故障的原始樣本特征和所述故障已見類別空間層級語義集中的各已見類別故障的空間層級語義分別輸入至當(dāng)前輪次下的初始樣本特征生成模型中，得到各已見類別故障對應(yīng)的當(dāng)前輪次下的均值、方差、生成樣本特征、真假程度得分和嵌入向量，包括：

26、將所述故障已見類別訓(xùn)練數(shù)據(jù)集中的任一已見類別故障確定為當(dāng)前已見類別故障；

27、將當(dāng)前已見類別故障的原始樣本特征和空間層級語義輸入至當(dāng)前輪次下的初始樣本特征生成模型中的編碼器中，得到當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的均值和方差；

28、基于各當(dāng)前輪次下的均值和方差進行采樣，得到當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的噪聲向量；

29、將當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的噪聲向量和空間層級語義輸入至當(dāng)前輪次下的初始樣本特征生成模型中的解碼器中，得到當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的生成樣本特征；生成樣本特征包括k層特征；

30、將當(dāng)前已見類別故障的原始樣本特征、當(dāng)前輪次下的生成樣本特征和空間層級語義輸入至當(dāng)前輪次下的初始樣本特征生成模型中的判別器中，得到當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的判別器輸出的真假程度得分；

31、將當(dāng)前已見類別故障的當(dāng)前輪次下的生成樣本特征和空間層級語義輸入至當(dāng)前輪次下的初始樣本特征生成模型中的層級語義信息對齊模塊中，得到當(dāng)前已見類別故障對應(yīng)的當(dāng)前輪次下的嵌入向量。

32、可選地，所述總損失函數(shù)包括：

33、。

34、；

35、；

36、；

37、；

38、其中，表示總損失值；表示條件變分自編碼器模塊的損失值；表示條件生成對抗網(wǎng)絡(luò)模塊的損失權(quán)重；表示條件生成對抗網(wǎng)絡(luò)模塊的損失值；表示層級語義信息對齊模塊的損失權(quán)重；表示層級語義信息對齊模塊的損失值；表示故障已見類別訓(xùn)練數(shù)據(jù)集中的已見類別故障的總數(shù)；表示kl信息散度；表示正態(tài)分布；表示第i個已見類別故障對應(yīng)的均值；表示第i個已見類別故障對應(yīng)的方差；表示第i個已見類別故障的原始樣本特征；表示第i個已見類別故障對應(yīng)的生成樣本特征中的第k層特征；表示和之間的歐氏距離；表示判別器的梯度懲罰的損失；表示將第i個已見類別故障的原始樣本特征和空間層級語義輸入至判別器，判別器輸出的真假程度得分；表示將第i個已見類別故障的生成樣本特征和空間層級語義輸入至判別器，判別器輸出的真假程度得分；表示梯度懲罰系數(shù)；表示求函數(shù)梯度操作；表示和之間的隨機插值樣本；表示多層感知器；表示判別器在隨機插值樣本處的梯度模長；表示將第i個已見類別故障對應(yīng)的生成樣本特征輸入至層級語義信息對齊模塊，層級語義信息對齊模塊輸出的第j層嵌入向量；表示將第i個已見類別故障對應(yīng)的空間層級語義輸入至層級語義信息對齊模塊，層級語義信息對齊模塊輸出的第j層嵌入向量；表示和之間的歐氏距離。

39、可選地，利用訓(xùn)練好的樣本特征生成模型隨機生成多個故障未見類別特征對應(yīng)的生成樣本特征和標簽，得到故障未見類別訓(xùn)練數(shù)據(jù)集，包括：

40、按照標準正態(tài)分布隨機采樣得到多個噪聲向量，隨機在未見故障類別中隨機采樣得到多個故障未見類別組的標簽和空間層級語義；

41、將各故障未見類別組的噪聲向量和空間層級語義分別輸入至訓(xùn)練好的樣本特征生成模型中的解碼器中，得到對應(yīng)的生成樣本特征；

42、根據(jù)各故障未見類別組對應(yīng)的生成樣本特征和標簽，構(gòu)建所述故障未見類別訓(xùn)練數(shù)據(jù)集。

43、可選地，利用所述設(shè)備故障診斷訓(xùn)練數(shù)據(jù)集對所述初始網(wǎng)絡(luò)進行訓(xùn)練，得到所述故障診斷模型，包括：

44、以所述設(shè)備故障診斷訓(xùn)練數(shù)據(jù)集中各故障未見類別組對應(yīng)的生成樣本特征和各已見類別故障的原始樣本特征為輸入，以對應(yīng)的標簽為輸出，對所述初始網(wǎng)絡(luò)進行訓(xùn)練，得到所述故障診斷模型。

45、根據(jù)本技術(shù)提供的具體實施例，本技術(shù)公開了以下技術(shù)效果：本技術(shù)公開了一種空間層級語義構(gòu)建與設(shè)備故障診斷方法，首先，獲取待診斷系統(tǒng)中的各設(shè)備的特征；特征為對運行數(shù)據(jù)和環(huán)境數(shù)據(jù)進行特征提取后的向量；然后，將待診斷系統(tǒng)中的各設(shè)備的特征輸入至故障診斷模型中，得到待診斷系統(tǒng)中的故障類別的預(yù)測值；故障診斷模型是基于故障已見類別數(shù)據(jù)集、故障已見類別空間層級語義集、樣本特征生成模型和多層感知器確定的；故障已見類別數(shù)據(jù)集包括：多個已見類別故障的原始樣本特征和標簽，故障已見類別空間層級語義集包括：故障已見類別數(shù)據(jù)集中的多個已見類別故障的空間層級語義；標簽為故障類別的實際值，空間層級語義為故障的描述屬性值構(gòu)成的向量，空間層級語義包括k層語義。本技術(shù)利用基于故障已見類別數(shù)據(jù)集、故障已見類別空間層級語義集、樣本特征生成模型和多層感知器確定的故障診斷模型進行設(shè)備故障診斷，故障已見類別空間層級語義集中包括設(shè)備故障相關(guān)的空間層級語義，利用空間層級語義驅(qū)動故障未見類別組對應(yīng)的生成樣本特征的生成，提升了廣義零樣本設(shè)備故障診斷的準確度。