一种训练样本生成方法及故障诊断方法、装置和电子设备与流程

1.本发明涉及机器学习技术领域，特别涉及一种训练样本生成方法及故障诊断方法、装置和电子设备。


背景技术：

2.在设备故障诊断过程中，存在一些应用领域，由于故障信息采集存在难度，很难获取大量带标签故障样本数据，导致该领域的设备故障诊断因缺少故障样本数据而难以进行准确的故障诊断，例如：航空发动机的轴承故障诊断或气路故障诊断等，就难以获取到大量带标签故障样本数据，从而造成航空发动机轴承因缺少带标签故障样本数据而难以准确进行故障诊断和定位。也就是说，对于训练样本数量较少的领域，仅仅可以利用极少量的故障样本数据对模型进行训练，因为故障样本数据过少，会影响模型训练的准确性，因此需要提高训练样本的数量，为模型训练提供足够好的样本数据，以提高模型训练的准确性。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种训练样本生成方法及故障诊断方法、装置和电子设备，解决了现有技术中训练样本少，以及因为样本少导致的模型准确性较低的机会问题。
4.为解决上述技术问题，本发明提供了一种训练样本生成方法，包括：
5.确定目标域；其中，所述目标域为需要增加训练样本的领域；
6.根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；
7.利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
8.可选的，在所述根据所述目标域获取不同领域的源域数据之后，还包括：
9.对所述不同领域的源域数据进行预处理，得到预处理后的不同工况源域数据；其中，所述预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种；
10.相应的，所述利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据，包括：
11.利用所述统一工况神经网络模型对所述预处理后的不同工况源域数据进行统一化处理，得到所述统一工况源域数据。
12.可选的，所述根据所述目标域获取不同领域的源域数据，包括：
13.根据所述目标域获取所述不同领域的源域数据；其中，所述目标域为航空发动机轴承诊断领域，所述不同领域的源域数据包括轨道交通轴承领域、风机轴承领域、旋转机器轴承领域和冶金行业轴承领域中的至少一种。
14.可选的，在所述利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据之前，还包括：
15.利用所述不同领域的源域数据训练对抗神经网络中的生成器，得到包括已训练生成器的所述统一工况神经网络模型；其中，所述统一工况神经网络模型为对轴承运行过程中的转速、轴承尺寸、温度、滑油状态和负载中至少一种进行统一的模型。
16.本发明还提供了一种故障诊断模型生成方法，包括：
17.获取统一工况目标域数据和统一工况源域数据；其中，所述统一工况源域数据为根据权利要求1至4任一项所述的训练样本生成方法得到的数据；
18.利用所述统一工况目标域数据和所述统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。
19.可选的，所述利用所述统一工况目标域数据和所述统一工况源域数据对机器学习模型进行训练，得到故障诊断模型，包括：
20.对所述统一工况目标域数据和所述统一工况源域数据进行特征提取，得到统一工况目标域特征数据和统一工况源域特征数据；
21.利用所述统一工况目标域特征数据和所述统一工况源域特征数据对迁移学习网络模型进行训练，得到所述故障诊断模型。
22.可选的，在所述利用所述统一工况目标域特征数据和所述统一工况源域特征数据对迁移学习网络模型进行训练，得到所述故障诊断模型之后，还包括：
23.获取待检测目标域数据；
24.利用统一工况神经网络模型对所述待检测目标域数据进行处理，得到统一工况待检测数据；其中，所述统一工况神经网络模型为权利要求1至3任一项中所述的统一工况神经网络模型；
25.对所述统一工况待检测数据进行所述特征提取，得到待检测特征数据；
26.利用所述故障诊断模型对所述待检测特征数据进行在线检测，得到检测结果。
27.本发明还提供了一种训练样本生成装置，包括：
28.目标域确定模块，用于确定目标域；其中，所述目标域为需要增加训练样本的领域；
29.不同领域的源域数据获取模块，用于根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；
30.统一工况源域数据生成模块，用于利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
31.本发明还提供了一种电子设备，其特征在于，包括：
32.存储器，用于存储计算机程序；
33.处理器，用于执行所述计算机程序时实现上述的训练样本生成方法和/或上述的故障诊断模型生成方法。
34.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的训练样本生成方法和/或上述的故障诊断模型生成方法。
35.可见，本发明通过确定目标域；目标域为需要增加训练样本的领域；根据目标域获取不同领域的源域数据；不同领域为故障样本数量大于目标域中故障样本数量的领域；利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。和当前仅仅可以获取极少量的样本数据对模型进行训练相比，本发明通过对其他领域的大样本数据进行处理，将不同工况样本进行统一工况处理，去除工况影响，进而增加了训练样本的数量，为模型训练增加了足够多的样本数据。
36.此外，本发明还提供了一种故障诊断方法、装置和电子设备，同样具有上述有益效果。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
38.图1为本发明实施例提供的一种训练样本生成方法的流程图；
39.图2为本发明实施例提供的另一种训练样本生成方法的流程图；
40.图3为本发明实施例提供的一种训练样本生成方法的流程示例图；
41.图4为本发明实施例提供的一种统一工况神经网络模型训练过程的流程示例图；
42.图5为本发明实施例提供的一种故障诊断模型生成方法的流程图；
43.图6为本发明实施例提供的另一种故障诊断模型生成方法的流程图；
44.图7为本发明实施例提供的一种故障诊断模型生成方法的流程示例图；
45.图8为本发明实施例提供的一种航空发动机轴承故障检测方法的流程示例图；
46.图9为本发明实施例提供的一种训练样本生成装置的结构示意图；
47.图10为本发明实施例提供的一种故障诊断模型生成装置的结构示意图；
48.图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.请参考图1，图1为本发明实施例提供的一种训练样本生成方法的流程图。该方法可以包括：
51.s100，确定目标域；其中，目标域为需要增加训练样本的领域。
52.该实施例中的目标域为需要运用其他领域的数据进行模型训练的主体。该实施例并不限定具体的目标域。例如，目标域可以是发动机气路领域；或者目标域也可以是航空发动机轴承领域；或者目标域还可以是涡扇发动机气路领域。可以理解的是，目标域是训练样本较少，不容易获取训练样本的领域，一般情况下，机器从健康状态到发生故障经历的时间
比较漫长，获得故障数据将会非常困难，故可以将故障样本较少的技术领域确定为目标域，以提高模型的准确性。
53.s102，根据目标域获取不同领域的源域数据；其中，不同领域为故障样本数量大于目标域中故障样本数量的领域。
54.该实施例并不限定具体的不同工况源域数据，只要该不同工况源域数据与目标域所属领域不同，且该领域中故障样本的数量大于目标域中故障样本数量，即该领域的故障样本比目标域的故障样本易获得且数量多一些。例如，当目标域是航空发动机轴承领域时，不同领域的源域数据可以是轨道交通领域、风机领域轴承样本、旋转机器领域、往复式旋转机器领域等。或者当目标域是发动机气路领域时，不同领域的源域数据可以是车辆气路和穿采设备气路。
55.需要说明的是，上述根据目标域获取不同领域的源域数据，可以包括：根据目标域获取不同领域的源域数据；其中，目标域为航空发动机轴承诊断领域，不同领域的源域数据包括轨道交通轴承领域、风机轴承领域、旋转机器轴承领域和冶金行业轴承领域中的至少一种。该实施例中的目标域为航空发动机轴承诊断领域，与目标域对应的不同领域的源域数据为轨道交通轴承领域、风机轴承领域、旋转机器轴承领域和冶金行业轴承领域中的故障样本数据。
56.需要说明的是，在上述利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据之前，还可以包括：利用不同领域的源域样本数据训练对抗神经网络中的生成器，得到包括已训练生成器的所述统一工况神经网络模型；其中，统一工况神经网络模型为对轴承运行过程中的转速、轴承尺寸、温度、滑油状态和负载中至少一种进行统一的模型。该实施例可以对航空发动机轴承诊断领域对应的不同领域的源域样本数据进行统一。该实施例中的不同领域的源域样本数据可以是与不同领域的源域数据相同，也可以不相同。可以理解的是，当不同领域的源域样本数据与不同领域的源域数据相同时，后续利用该统一工况神经网络模型对不同领域的源域数据进行统一时，统一工况的准确性更高。该实施例将不同领域的源域样本数据输入其包括生成器的神经网络模型中，训练得到相应的生成器和判别器，同时，通过判别器促进生成器的进化，得到统一工况神经网络模型。其中对抗神经网络可采用其本身，也可采用其改进的方法，例如：辅助分类生成对抗神经网络(acgan)、循环生成对抗神经网络(cycle-gan)等。将不同工况源域样本数据输入其算法模型中，训练得到相应的生成器和判别器，同时，通过判别器促进生成器的进化。当判别器和生成器之间的博弈达到纳什均衡时训练模型完成。
57.s103，利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
58.该实施例利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据。该实施例并不限定具体的统一工况神经网络模型，只要该统一工况神经网络模型可以对不同领域的源域数据的工况进行统一即可。例如，统一工况神经网络模型可以是辅助分类生成对抗神经网络(acgan)；或者统一工况神经网络模型可以是循环生成对抗神经网络(cycle-gan)。该实施例并不限定统一工况的具体类型，统一工况与诊断对象，如轴承、齿轮等，所处的运行环境相关。例如，当不同领域的源域数据是轴承数据时，
统一工况为对轴承运行过程中转速、轴承尺寸、负载方面进行统一；或者当不同领域的源域数据是气路数据时，统一工况是指发动机入口温度和压力方面进行统一。该实施例并不限定统一工况神经网络模型得到的具体方式。例如，统一工况神经网络模型为仅利用不同领域的源域样本数据进行训练，得到的模型；或者统一工况神经网络模型为利用不同领域的源域样本数据，和目标域的样本数据进行训练得到的模型。
59.本发明实施例提供的训练样本生成方法，包括：确定目标域；目标域为需要增加训练样本的领域；根据目标域获取不同工况源域数据；其中，不同工况源域数据为与所述目标域所属领域不同的数据；利用统一工况神经网络模型对不同工况源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同工况源域样本数据进行训练得到的对抗神经网络模型。可见，和当前仅仅可以获取极少量的样本数据对模型进行训练相比，本发明通过对其他领域的大样本数据进行处理，将不同工况样本进行统一工况处理，去除工况影响，进而增加了训练样本的数量，为模型训练增加了足够多的样本数据。并且，可以对不同工况源域数据进行统一化处理，在复杂工况背景下得到统一工况样本，提高了模型的适用性。
60.为了使本发明更便于理解，具体请参考图2，图2为本发明实施例提供的另一种训练样本生成方法的流程图，具体可以包括：
61.s200，确定目标域；其中，目标域为需要增加训练样本的领域。
62.该实施例中的目标域为最终要赋予知识、赋予标签的对象。该实施例中的域由数据特征和特征分布组成，是学习的主体。
63.s201，根据目标域获取不同领域的源域数据；其中，不同领域为故障样本数量大于目标域中故障样本数量的领域。
64.该实施例中的源域指有知识、有大量数据标签的领域，即我们要迁移的对象。
65.s202，对不同领域的源域数据进行预处理，得到预处理后的不同工况源域数据；其中，预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种。
66.该实施例将不同工况源域数据定义为f(x)进行预处理得到处理后的数据为g(x)。通过预处理获得g(x)的具体方法为：
①
对原始振动信号f(x)采用去噪技术获得去噪后的振动信号f1(x)；其中：去噪技术可采用小波阈值去噪、经验模态分解等方法。
②
对原始振动信号f(x)或去噪后的振动信号f1(x)进行阶比跟踪采样得到等周期采样的振动信号f2(x)；
②
对原始振动信号f(x)或去噪后的振动信号f1(x)或等周期采样的振动信号f2(x)采用冲击信号提取技术，获得冲击信号f3(x)；其处理步骤为：振动信号
→
带通滤波
→
包络解调
→
检波
→
冲击信号；
③
对信号(包括：原始振动信号f(x)或去噪后的振动信号f1(x)或周期采样的振动信号f2(x)或冲击信号f3(x))进行fft(傅里叶)变换，得到其对应的频谱信号f1(ω)；
④
对信号(包括：原始振动信号f(x)或去噪后的振动信号f1(x)或周期采样的振动信号f2(x)或冲击信号f3(x))采用时频域特征提取技术，得到包含时频域特征的数值矩阵f2，对矩阵f2进行处理生成时频图f3。其中：时频域特征提取技术可采用短时傅里叶变换、不同基函数的连续小波等方法。其中：将矩阵f2处理生成时频灰度图f3的方法为：
67.68.x
i,j
为时间i下频率j的函数值。x
max
、x
min
分别为x
i,j
中的最大值和最小值，为时间i下频率j的灰度值。
69.该实施例中预处理得到的g(x)可以为f(x)、f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3中的一种或多种。
70.s203，利用统一工况神经网络模型对预处理后的不同工况源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
71.该实施例利用统一工况神经网络模型对预处理不同工况源域数据进行统一化处理，得到统一工况源域数据。由于对数据进行了预处理，减少了噪声的影响，提高了模型训练的准确性。
72.为了使本发明更便于理解，具体请参考图3，图3为本发明实施例提供的一种训练样本生成方法的流程示例图，具体可以包括：
73.s300，确定目标域为航空发动机轴承领域。
74.该实施例中的目标域为航空发动机轴承领域。可以理解的是，滚动轴承作为在航空发动机中支承转子的关键部件，因其工作在高温、高速、载荷变化区间大等恶劣条件下，导致其故障发生率较高。一旦发生故障直接影响飞机的飞行安全。随着新型传感技术的发展，可以实时采集到大量地能够反映航空发动机运行状态的数据，通过挖掘该数据的内部结构信息对于实现滚动轴承早期故障具有重要意义。传统机器学习或深度学习的故障诊断方法依赖人工提取特征，这种故障诊断方法的缺点主要有：1)轴承实际运行中工况因素复杂多变，特别是转速、尺寸、负载等方面的差异；2)实际应用中很难获取大量带标签故障样本数据。基于以上背景，采用现有的基于规则策略或基于大数据学习的方法难以适用。因此需要解决领域内工况复杂和先验样本数据少的问题。
75.s301，根据目标域获取不同领域的源域数据；其中，不同领域的源域数据包括轨道交通轴承数据、风机轴承数据、旋转机器轴承数据、往复式旋转机器轴承数据中的至少一种。
76.该实施例中的源域为包含轴承故障样本易获得且数量多的领域，该实施中的不同领域的源域数据为轨道交通轴承数据、风机轴承数据、旋转机器轴承数据、往复式旋转机器轴承数据中的至少一种。该实施例考虑到轴承故障一般与运行状态相关，故将转速、轴承尺寸、负载方面的差异作为不同工况。
77.s302，对不同领域的源域数据进行预处理，得到预处理后的不同领域工况源域数据；其中，预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种。
78.该实施例中的预处理，可以是去噪处理；或者预处理也可以是阶比跟踪采样；或者预处理还可以是去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取。
79.s303，利用统一工况神经网络模型对预处理后的不同领域源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域数据进行训练得到的包括已训练生成器的对抗神经网络模型。
80.该实施例采用训练好的统一工况神经网络模型对预处理的不同领域源域数据进
行统一化处理，得到统一工况源域数据，工况只要指轴承转速、轴承尺寸和负载。为便于理解请参考图4，图4为一种统一工况神经网络模型训练过程的流程示例图，其中生成器g生成接近真实分布的逼真数据，判别器d判别输入是实际数据还是生成器g生成数据的一种函数。其损失函数可以表示为：
[0081][0082]
式中：pg为从数据集g(x)的实际分布中学习到的生成分布，pz为从生成器g构建的先验分布，z为生成器的输入，e表示期望。其中生成对抗神经网络判别器d和生成器g均基于卷积神经网络(cnn)构建。该实施例中的实际数据为不同工况源域数据，生成样本是利用随机噪声生成的样本数据。
[0083]
为了使本发明更便于理解，具体请参考图5，图5为本发明实施例提供的一种故障诊断模型生成方法的流程图，具体可以包括：
[0084]
s500，获取统一工况目标域数据和统一工况源域数据；其中，统一工况源域数据为根据上述的训练样本生成方法得到的数据。
[0085]
该实施例中的统一工况目标域数据中的目标域数据是已经统一工况后的数据。该实施例并不限定统一工况目标域数据生成的具体方式。例如，数据本身即是统一工况数据。或者可以是利用上述的训练样本生成方法对原始数据进行处理得到的统一工况目标域数据。该实施例中的统一工况源域数据为根据上述的训练样本生成方法中的统一工况神经网络模型得到样本数据。
[0086]
s501，利用统一工况目标域数据和统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。
[0087]
该实施例利用统一工况目标域数据和统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。可以理解的是，利用源域数据和目标域数据进行机器学习模型的训练，一般利用迁移学习模型进行训练，是因为迁移学习是一种机器学习方法，把任务a开发的模型作为初始点，重新使用在为任务b开发模型的过程中。
[0088]
进一步地，为了提高故障诊断模型的适用性，上述获取统一工况目标域数据，可以包括：
[0089]
获取统一工况航空发动机轴承数据；其中，统一工况目标域数据包括统一工况航空发动机轴承数据。
[0090]
该实施例利用航空发动机轴承数据作为统一工况目标域数据，从而得到可以对航空发动机轴承故障进行诊断的模型。
[0091]
本发明实施例提供的故障诊断模型生成方法，包括：获取统一工况目标域数据和统一工况源域数据；其中，统一工况源域数据为根据上述的训练样本生成方法得到的数据；利用统一工况目标域数据和统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。可见，和当前故障检测模型仅仅利用获取的极少量的样本数据进行特征提取得到的故障检测模型，对数据进行故障检测的方法相比，本发明通过其他领域的轴承大样本数据，去除了工况影响，将不同工况样本进行统一工况处理，提高了轴承数据对分类模型的训练效果，提高了故障诊断模型进行诊断的准确性。并且，可以将航空发动机轴承数据作为统一工况目标域数据，提高了对航空发动机轴承故障进行诊断的准确性。
[0092]
为了使本发明更便于理解，具体请参考图6，图6为本发明实施例提供的另一种故障诊断模型生成方法的流程图，具体可以包括：
[0093]
s600，获取统一工况目标域数据和统一工况源域数据；其中，统一工况源域数据为根据上述的训练样本生成方法得到的数据。
[0094]
该实施例并不限定统一工况目标域数据和统一工况源域数据统一前对应的具体数据类型。例如，统一工况前的数据可以是进行过预处理的数据，其中，预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种；或者统一工况前的数据可以直接是原始数据，即没有进行预处理的数据。
[0095]
s601，对统一工况目标域数据和统一工况源域数据进行特征提取，得到统一工况目标域特征数据和统一工况源域特征数据。
[0096]
该实施例可以对统一工况目标域数据和统一工况源域数据进行特征提取。该实施例并不限定具体的特征提取方法，例如可以是时间特征提取；或者可以是字段特征提取；或者可以是时频特征提取。可以理解的是，当统一工况目标域数据和统一工况源域数据直接为f(x)，对f(x)进行去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取分别得到f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3。此时可分别对f(x)、f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3进行特征提取，并从中进行选择。特征一包含：对f(x)、f1(x)、f2(x)、f3(x)时域信号进行特征提取，包括：有效值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标等。特征二包括：对f1(ω)、f2进行频域特征幅值提取，包括：轴承不同故障类型产生的频率不同，不同故障频率计算如下表所示：
[0097]
表1轴承故障特征频率
[0098][0099]
其中f2可提取样本中不同时刻的该频率幅值。例如：样本开始位置该频率幅值、样本1/4时刻位置该频率幅值、样本1/2时刻位置该频率幅值、样本3/4时刻位置该频率幅值、样本最后时刻位置该频率幅值等。
[0100]
s602，利用统一工况目标域特征数据和统一工况源域特征数据对迁移学习网络模型进行训练，得到故障诊断模型。
[0101]
该实施例可以利用统一工况目标域特征数据和统一工况源域特征数据对迁移学习网络模型进行训练，得到故障诊断模型。该实施并不限定迁移学习网络的具体类型。例如，迁移学习网络可以是基于特征的迁移，基于特征的迁移是对特征进行变换。假设源域和
目标域的特征原来不在一个空间，或者说它们在原来那个空间上不相似，那我们就想办法把它们变换到一个空间里面，进行迁移。或者迁移学习网络可以是基于模型的迁移，基于模型的迁移就是重新利用模型里的参数。该类方法在神经网络里面用的特别多，因为神经网络的结构可以直接进行迁移。
[0102]
进一步地，为了提高利用故障诊断模型进行诊断的准确性，在利用统一工况目标域特征数据和统一工况源域特征数据对迁移学习网络模型进行训练，得到故障诊断模型之后，还包括：
[0103]
获取待检测目标域数据；
[0104]
利用统一工况神经网络模型对待检测目标域数据进行处理，得到统一工况待检测数据；其中，统一工况神经网络模型为上述训练样本生成方法中的统一工况神经网络模型；
[0105]
对统一工况待检测数据进行特征提取，得到待检测特征数据；
[0106]
利用故障诊断模型对所述待检测特征数据进行在线检测，得到检测结果。
[0107]
该实施例按照模型训练的步骤，对待检测目标域数据进行统一工况处理和特征提取，进而利用故障诊断模型对所述待检测特征数据进行在线检测，得到检测结果。该实施例并不限定检测结果的具体类型，例如检测结果可以是正常；或者检测结果可以是内环故障；或者检测结果还可以是外环故障；或者检测结果还可以是滚柱故障；或者检测结果还可以是滚柱与外环复合故障。可以理解的是，对待检测目标域数据进行特征提取和统一工况处理是考虑到故障诊断模型在训练过程中使用的也是对训练样本进行了特征提取和统一工况处理的数据，故待检测目标域数据进行特征提取和统一工况处理可以提高与故障诊断模型的匹配性，提高故障诊断结果的准确性。
[0108]
为了使本发明更便于理解，具体请参考图7，图7为本发明实施例提供的一种故障诊断模型生成方法的流程示例图，具体可以包括：
[0109]
s700，获取目标域样本数据和源域样本数据；其中，目标域样本数据为航空发动机轴承领域的样本数据，源域样本数据为其他领域轴承样本数据。
[0110]
该实施例中的目标域样本数据航空发动机轴承原始振动样本数据。该实施例中的源域样本数据为其他领域可包含故障样本易获得且数量多的领域，例如：轨道交通、风机领域轴承样本等。
[0111]
s701，对目标域样本数据和源域样本数据进行预处理，得到预处理目标域样本数据和预处理源域样本数据。
[0112]
该实施例将目标域样本数据和源域样本数据定义为f(x)，即原始振动信号为f(x)，进行预处理得到处理后的数据为g(x)。该实施例中的原始振动信号f(x)(目标域样本数据)，进行的预处理可以为：
①
对原始振动信号f(x)采用去噪技术获得去噪后的振动信号f1(x)；其中：去噪技术可采用小波阈值去噪、经验模态分解等方法。
②
对原始振动信号f(x)或去噪后的振动信号f1(x)进行阶比跟踪采样得到等周期采样的振动信号f2(x)；
②
对原始振动信号f(x)或去噪后的振动信号f1(x)或周期采样的振动信号f2(x)采用冲击信号提取技术，获得冲击信号f3(x)；其处理步骤为：振动信号
→
带通滤波
→
包络解调
→
检波
→
冲击信号
③
对信号(包括：原始振动信号f(x)或去噪后的振动信号f1(x)或周期采样的振动信号f2(x)或冲击信号f3(x))进行fft变换，得到其对应的频谱信号f1(ω)；
④
对信号(包括：原始振动信号f(x)或去噪后的振动信号f1(x)或周期采样的振动信号f2(x)或冲击信号f3(x))采用
时频域特征提取技术，得到包含时频域特征的数值矩阵f2，对矩阵f2进行处理生成时频图f3。其中：时频域特征提取技术可采用短时傅里叶变换、不同基函数的连续小波等方法。其中：将矩阵f2处理生成时频灰度图f3的方法为：
[0113][0114]
x
i,j
为时间i下频率j的函数值。x
max
、x
min
分别为x
i,j
中的最大值和最小值，为时间i下频率j的灰度值。
[0115]
g(x)为f(x)、f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3中的一种或多种。可以理解的是对目标域样本数据和源域样本数据都需要进行预处理，预处理可以是上述去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种。
[0116]
s702，利用统一工况神经网络模型对预处理目标域样本数据和预处理源域样本数据进行统一工况处理，得到统一工况目标域样本数据和统一工况源域样本数据，其中，统一工况神经网络模型为利用不同工况源域样本数据进行训练得到的包括已训练生成器的对抗神经网络模型。
[0117]
该实施例利用统一工况神经网络模型对预处理目标域样本数据和预处理源域样本数据进行统一工况处理，得到统一工况目标域样本数据和统一工况源域样本数据。可以理解的是，该实施例中的统一工况神经网络模型是利用不同工况源域样本数据对生成对抗神经网络进行训练得到的，包括已训练生成器的网络模型。
[0118]
s703，根据时域信号或者频域特征幅值对统一工况目标域样本数据和统一工况源域样本数据进行特征提取，得到目标域特征数据和源域特征数据。
[0119]
该实施例
①
确定将其他领域轴承统一工况的大样本(统一工况源域样本数据)y(x)作为源域样本，将航空发动机领域轴承统一工况的小样本(统一工况目标域样本数据)z(x)作为目标域样本。
②
对源域样本和目标域样本进行进一步特征提取，得到源域特征值φ(yi)和目标域特征值φ(zj)。其中，特征提取有两种不同类型，可根据需要选择。a)采用预处理后的样本g(x)直接进行，为f(x)、f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3其中的任意一个。b)对预处理后的样本g(x)进行关键特征提取，可分别对f(x)、f1(x)、f2(x)、f3(x)、f1(ω)、f2、f3进行特征提取，并从中进行选择。特征一包含：对f(x)、f1(x)、f2(x)、f3(x)时域信号进行特征提取，包括：有效值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标等。特征二包括：对f1(ω)、f2进行频域特征幅值提取，包括：轴承不同故障类型产生的频率不同，不同故障频率计算为轴承故障特征频率。其中f2可提取样本中不同时刻的该频率幅值。例如：样本开始位置该频率幅值、样本1/4时刻位置该频率幅值、样本1/2时刻位置该频率幅值、样本3/4时刻位置该频率幅值、样本最后时刻位置该频率幅值等。
[0120]
s704，通过局部最大均值差异法对目标域特征数据和源域特征数据进行域自适应迁移学习，得到目标故障检测模型。
[0121]
该实施例得到目标故障检测模型的具体过程为，基于卷积神经网络模型，对其他领域统一工况下的轴承大样本数据进行训练，建立其他领域轴承故障诊断的判别模型。可采用卷积神经网络中的深度残差神经网络(resnet)，避免因网络层数增加而引起的梯度消失和梯度爆炸现象。采用航空发动机领域轴承小样本迁移得到航空发动机领域轴承故障诊
断的判别模型，进行域自适应。其损失函数为：
[0122][0123]
其中：l
cfn
为第n个全连接层计算得到的损失函数，k代表全连接层数量。采用迁移成分分析法(tca)第n个全连接层计算得到的损失函数l
cfn
其损失由全连通层获得的高维特征计算，并通过反向传播过程影响模型参数的更新。迁移成分分析利用局部最大均值差异(lmmd)进行域适应。最大均值差异(mmd)即通过寻找一个映射，在投影后的空间上使源域和目标域的数据分布距离最接近。而lmmd侧重于每个类别的局部距离期望，其表示为：
[0124][0125]
式中：是再生内核希尔伯特空间(rkhs)规范；ns和n
t
分别为源域和目标域的总特征的样本数；φ为在空间的特征映射；φ(yi)和φ(zj)分别为源域和目标域的特征变量；和表示φ(yi)和φ(zj)分别属于分类c的概率，并且满足：对于每一个φ(yi)，定义属于不同分类的概率向量为(为源域样本属于分类j(j＝1,2,
…
,c)的概率，)，则为：h代表求和向，同理可以计算得到最终我们定义得到第n个全连接层之间的损失为：
[0126][0127]
式中：表示第n个全连接层的特征值。k(
·
,
·
)表示核函数。其求解方法为：第一步：引入核矩阵k以及lmmd矩阵l：矩阵l中各元素l
ij
为：式中：ds为源域样本集，d
t
为目标域样本集。
[0128]
第二步：将距离变为核函数的形式：tr(kl)-tr(k)，式中：tr(
·
)为矩阵的迹。第三步：用降维的方法构造结果：式中：w为特征转换矩阵。第四步：引入限制条件后，得到tca的优化目标为：
[0129][0130]
s.t.w
t
khkw＝i
[0131]
式中，μ为权衡参数；i为单位阵；h为中心矩阵：式中，为全1列向量，k为核矩阵，前面引入的l为lmmd矩阵，s.t.是约束条件。
[0132]
该实施例在复杂工况背景下得到统一工况样本，解决了航空发动机领域小样本训练分类模型效果差的问题，并且将目标故障检测模型进行机载在线应用，解决了机载轴承故障在线自动诊断和预测的现实问题。
[0133]
为了使本发明更便于理解，具体请参考图8，图8为本发明实施例提供的一种航空发动机轴承故障检测方法的流程示例图，具体可以包括：
[0134]
s800，获取待检测航空发动机轴承数据。
[0135]
s801，对待检测航空发动机轴承数据进行预处理，得到预处理轴承数据。其中，预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种。
[0136]
s802，利用统一工况神经网络模型对预处理轴承数据进行处理，得到统一工况轴承数据。
[0137]
s803，根据统一工况轴承数据的时域信号或者频域特征幅值进行特征提取，得到目标域特征数据。
[0138]
s804，利用目标故障检测模型对目标域特征数据进行检测，得到故障检测结果。
[0139]
下面对本发明实施例提供的一种训练样本生成装置进行介绍，下文描述的一种训练样本生成装置与上文描述的一种训练样本生成方法可相互对应参照。
[0140]
具体请参考图9，图9为本发明实施例提供的一种训练样本生成装置的结构示意图，可以包括：
[0141]
目标域确定模块100，用于确定目标域；其中，所述目标域为需要增加训练样本的领域；
[0142]
不同领域的源域数据获取模块200，用于根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；
[0143]
统一工况模块300，用于利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
[0144]
进一步地，基于上述实施例，上述训练样本生成装置，还可以包括：
[0145]
预处理模块，用于对所述不同领域的源域数据进行预处理，得到预处理后的不同工况源域数据；其中，所述预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种；
[0146]
相应的，所述统一工况模块300，包括：
[0147]
统一工况单元，用于利用所述统一工况神经网络模型对所述预处理后的不同工况源域数据进行统一化处理，得到所述统一工况源域数据。
[0148]
进一步地，基于上述任意实施例，上述不同领域的源域数据获取模块200，可以包括：
[0149]
不同领域的源域数据获取单元，用于根据所述目标域获取所述不同领域的源域数据；其中，所述目标域为航空发动机轴承诊断领域，所述不同领域的源域数据包括轨道交通轴承领域、风机轴承领域、旋转机器轴承领域和冶金行业轴承领域中的至少一种。
[0150]
进一步，基于上述实施例，上述训练样本生成装置，还可以包括：
[0151]
统一工况神经网络模型生成模块，用于利用所述不同领域的源域样本数据训练对抗神经网络中的生成器，得到包括已训练生成器的所述统一工况神经网络模型；其中，所述统一工况神经网络模型为对轴承运行过程中的转速、轴承尺寸、温度、滑油状态和负载中至少一种进行统一的模型。
[0152]
需要说明的是，上述一种训练样本生成装置中的模块以及单元在不影响逻辑的情况下，其顺序可以前后进行更改。
[0153]
本发明实施例提供的训练样本生成装置，包括：目标域确定模块100，用于确定目标域；其中，所述目标域为需要增加训练样本的领域；不同领域的源域数据获取模块200，用于根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；统一工况模块300，用于利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。可见，和当前仅仅可以获取极少量的样本数据对模型进行训练相比，本发明通过对其他领域的大样本数据进行处理，将不同领域的源域数据进行统一工况处理，去除工况影响，进而增加了训练样本的数量，为模型训练增加了足够多的样本数据。并且，可以对航空发动机轴承诊断领域的不同领域的源域数据进行统一化处理，提高了模型的适用性。并且，对数据进行了预处理，减少了噪声的影响，提高了模型训练的准确性；并且，可以实现统一工况神经网络模型的生成，提高了统一工况神经网络模型的准确性。
[0154]
下面对本发明实施例提供的一种故障诊断模型生成装置进行介绍，下文描述的一种故障诊断模型生成装置与上文描述的一种故障诊断模型生成方法可相互对应参照。
[0155]
具体请参考图10，图10为本发明实施例提供的一种故障诊断模型生成装置的结构示意图，可以包括：
[0156]
样本数据获取模块400，用于获取统一工况目标域数据和统一工况源域数据；其中，所述统一工况源域数据为根据权利要求1至4任一项所述的训练样本生成方法得到的数据；
[0157]
模型训练模块500，用于利用所述统一工况目标域数据和所述统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。
[0158]
进一步地，基于上述实施例，上述模型训练模块500，可以包括：
[0159]
特征提取单元，用于对所述统一工况目标域数据和所述统一工况源域数据进行特征提取，得到统一工况目标域特征数据和统一工况源域特征数据；
[0160]
迁移学习网络训练单元，用于利用所述统一工况目标域特征数据和所述统一工况
源域特征数据对迁移学习网络模型进行训练，得到所述故障诊断模型。
[0161]
进一步地，基于上述实施，上述故障诊断模型生成装置，还可以包括：
[0162]
待检测目标域数据获取单元，用于获取待检测目标域数据；
[0163]
统一工况模块，用于利用统一工况神经网络模型对所述待检测目标域数据进行处理，得到统一工况待检测数据；其中，所述统一工况神经网络模型上述的统一工况神经网络模型；
[0164]
特征提取模块，用于对所述统一工况待检测数据进行所述特征提取，得到待检测特征数据；
[0165]
在线故障检测模块，用于利用所述故障诊断模型对所述待检测特征数据进行在线检测，得到检测结果。
[0166]
下面对本发明实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的训练样本生成方法和/或故障诊断模型生成方法可相互对应参照。
[0167]
请参考图11，图11为本发明实施例提供的一种电子设备的结构示意图，可以包括：
[0168]
存储器10，用于存储计算机程序；
[0169]
处理器20，用于执行计算机程序，以实现上述的训练样本生成方法和/或故障诊断模型生成方法。
[0170]
存储器10、处理器20、通信接口30均通过通信总线40完成相互间的通信。
[0171]
在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本发明实施例中，存储器10中可以存储有用于实现以下功能的程序：
[0172]
确定目标域；其中，目标域为需要增加训练样本的领域；
[0173]
根据目标域获取不同领域的源域数据；其中，不同领域为故障样本数量大于目标域中故障样本数量的领域；
[0174]
利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。
[0175]
或者存储器10中可以存储有用于实现以下功能的程序：
[0176]
获取统一工况目标域数据和统一工况源域数据；其中，统一工况源域数据为根据上述的训练样本生成方法得到的数据；
[0177]
利用统一工况目标域数据和统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。
[0178]
在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
[0179]
此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括nvram。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。
[0180]
处理器20可以为中央处理器(central processingunit，cpu)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
[0181]
通信接口30可以为通信模块的接口，用于与其他设备或者系统连接。
[0182]
当然，需要说明的是，图11所示的结构并不构成对本发明实施例中电子设备的限定，在实际应用中电子设备可以包括比图11所示的更多或更少的部件，或者组合某些部件。
[0183]
下面对本发明实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的训练样本生成方法和/或故障诊断模型生成方法可相互对应参照。
[0184]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的训练样本生成方法和/或故障诊断模型生成方法的步骤。
[0185]
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0186]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0187]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
[0188]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0189]
以上对本发明所提供的一种训练样本生成方法及故障诊断方法、装置和电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种训练样本生成方法，其特征在于，包括：确定目标域；其中，所述目标域为需要增加训练样本的领域；根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。2.根据权利要求1所述的训练样本生成方法，其特征在于，在所述根据所述目标域获取不同领域的源域数据之后，还包括：对所述不同领域的源域数据进行预处理，得到预处理后的不同工况源域数据；其中，所述预处理包括去噪处理、阶比跟踪采样、冲击信号提取、快速傅里叶变换和时频特征提取中的至少一种；相应的，所述利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据，包括：利用所述统一工况神经网络模型对所述预处理后的不同工况源域数据进行统一化处理，得到所述统一工况源域数据。3.根据权利要求1至2任一项所述的训练样本生成方法，其特征在于，所述根据所述目标域获取不同领域的源域数据，包括：根据所述目标域获取所述不同领域的源域数据；其中，所述目标域为航空发动机轴承诊断领域，所述不同领域的源域数据包括轨道交通轴承领域、风机轴承领域、旋转机器轴承领域和冶金行业轴承领域中的至少一种。4.根据权利要求3所述的训练样本生成方法，其特征在于，在所述利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据之前，还包括：利用所述不同领域的源域样本数据训练对抗神经网络中的生成器，得到包括已训练生成器的所述统一工况神经网络模型；其中，所述统一工况神经网络模型为对轴承运行过程中的转速、轴承尺寸、温度、滑油状态和负载中至少一种进行统一的模型。5.一种故障诊断模型生成方法，其特征在于，包括：获取统一工况目标域数据和统一工况源域数据；其中，所述统一工况源域数据为根据权利要求1至4任一项所述的训练样本生成方法得到的数据；利用所述统一工况目标域数据和所述统一工况源域数据对机器学习模型进行训练，得到故障诊断模型。6.根据权利要求5所述的故障诊断模型生成方法，其特征在于，所述利用所述统一工况目标域数据和所述统一工况源域数据对机器学习模型进行训练，得到故障诊断模型，包括：对所述统一工况目标域数据和所述统一工况源域数据进行特征提取，得到统一工况目标域特征数据和统一工况源域特征数据；利用所述统一工况目标域特征数据和所述统一工况源域特征数据对迁移学习网络模型进行训练，得到所述故障诊断模型。7.根据权利要求6所述的故障诊断模型生成方法，其特征在于，在所述利用所述统一工况目标域特征数据和所述统一工况源域特征数据对迁移学习网络模型进行训练，得到所述
故障诊断模型之后，还包括：获取待检测目标域数据；利用统一工况神经网络模型对所述待检测目标域数据进行处理，得到统一工况待检测数据；其中，所述统一工况神经网络模型为权利要求1至4任一项中所述的统一工况神经网络模型；对所述统一工况待检测数据进行所述特征提取，得到待检测特征数据；利用所述故障诊断模型对所述待检测特征数据进行在线检测，得到检测结果。8.一种训练样本生成装置，其特征在于，包括：目标域确定模块，用于确定目标域；其中，所述目标域为需要增加训练样本的领域；不同领域的源域数据获取模块，用于根据所述目标域获取不同领域的源域数据；其中，所述不同领域为故障样本数量大于所述目标域中故障样本数量的领域；统一工况源域数据生成模块，用于利用统一工况神经网络模型对所述不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，所述统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。9.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的训练样本生成方法和/或权利要求5至7任一项所述的故障诊断模型生成方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至4任一项所述的训练样本生成方法和/或权利要求5至7任一项所述的故障诊断模型生成方法。

技术总结
本发明公开了一种训练样本生成方法及故障诊断方法、装置和电子设备，应用于机器学习技术领域，包括：确定目标域；目标域为需要增加训练样本的领域；根据目标域获取不同领域的源域数据；不同领域为故障样本数量大于目标域中故障样本数量的领域；利用统一工况神经网络模型对不同领域的源域数据进行统一化处理，得到统一工况源域数据；其中，统一工况神经网络模型为利用不同领域的源域样本数据进行训练得到的神经网络模型。可见，和当前仅仅可以获取极少量的目标域样本数据对模型进行训练相比，本发明通过对其他领域的大样本数据进行处理，将不同工况样本进行统一工况处理，去除工况影响，进而增加了训练样本的数量，解决领域内工况复杂的技术问题。况复杂的技术问题。况复杂的技术问题。


技术研发人员：李修文 黄贵发 金贻涛 曾承志 蒲金飞 姚原青
受保护的技术使用者：唐智科技湖南发展有限公司
技术研发日：2023.07.17
技术公布日：2023/10/15