一种故障确定方法、装置、设备及存储介质与流程

1.本发明涉及故障识别领域，特别涉及一种故障确定方法、装置、设备及存储介质。


背景技术：

2.旋转类设备在工业、交通、航空、能源等领域都有着广泛的应用，典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、水泵、水轮机、发电机和航空发动机等。一些大型的旋转类设备更是对系统的安全稳定运行起到决定性作用。如何能够及时地、准确地对这些旋转类设备的各种异常状态及故障识别就显得尤为重要。目前广泛应用的旋转类设备故障故障识别系统多是基于信号分析方法，通过部署振动传感器，对振动信号进行时频域分析，再根据温度、电流、转速等其他设备信息建立专家系统对设备状态进行识别。这种方案主要基于对设备机理的理解及行业知识的沉淀，已有几十年的积累，相对较为成熟。但也是受限于理论的发展，故障识别精度只有80％左右难以突破。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种故障确定方法、装置、设备和存储介质，能够提高故障识别的准确度。其具体方案如下：
4.第一方面，本技术公开了一种故障确定方法，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，包括：
5.对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；
6.将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；
7.将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。
8.可选的，所述对原始信号进行预处理操作得到预处理信息之前，还包括：
9.通过高速采集区域采集每个设备的过程变量；其中，所述过程变量包含所述设备的振动信息、温度信息、电流信息以及转速；
10.将所述过程变量确定为所述原始信号，并通过网络交换机将所述原始信号发送至服务器。
11.可选的，所述将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息，包括：
12.将所述特征数据输入至故障确定系统，并确定所述特征数据对应的目标设备；
13.获取所述目标设备对应的目标条件集以及目标规则集；
14.基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息；其中，所述故障信息包含故障类型以及可信度。
15.可选的，所述基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息，包括：
16.基于所述特征数据计算所述目标条件集中每个条件对应的条件可信度；
17.从全部所述目标规则集中确定当前规则集，并获取所述当前规则集中包含的当前条件集合；
18.获取所述当前条件集合对应的当前条件可信度集合；
19.基于所述当前条件可信度集合、预设故障可信度计算公式计算所述当前规则集对应的故障可信度；
20.基于预设故障可信度判断规则从全部所述故障可信度中确定目标故障可信度；
21.将所述目标故障可信度以及对应的目标故障类型确定为所述当前故障信息。
22.可选的，所述将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障，包括：
23.将所述当前故障信息输入至人工故障评测接口，以便根据预设评估规则判断所述当前故障信息是否准确，以得到人工评测结果；
24.若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障；
25.若所述人工评测结果为所述当前故障信息不准确，则基于预设人工确定操作获取人工故障信息，并基于所述人工故障信息确定所述目标故障。
26.可选的，所述将所述当前故障信息输入至人工故障评测接口之前，还包括：
27.将所述特征数据输入至ai故障识别系统，以便通过所述ai故障识别系统中的故障判断模型计算对应的ai输出故障信息；其中，所述ai输出故障信息包含ai输出故障类型以及ai输出故障可信度。
28.可选的，所述若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障之后，还包括：
29.计算所述目标故障可信度与所述ai输出故障可信度的差值；
30.获取所述差值的绝对值，以得到目标可信度差值；
31.将所述目标可信度差值与预设模型更新偏差阈值进行比较；
32.若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更新，得到更新后故障判断模型。
33.第二方面，本技术公开了一种故障确定装置，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，包括：
34.预处理模块，用于对原始信号进行预处理操作得到预处理信息；
35.特征提取模块，用于针对所述预处理信息执行预设特征提取操作，以得到特征数据；
36.故障检测模块，用于将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；
37.故障确定模块，用于将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。
38.第三方面，本技术公开了一种电子设备，包括：
39.存储器，用于保存计算机程序；
40.处理器，用于执行所述计算机程序，以实现如前述公开的故障确定方法的步骤。
41.第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如前述公开的故障确定方法。
42.可见，本技术提供了一种故障确定方法，包括：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。由此可见，本技术通过故障确定系统进行故障检测，得到检测结果后将检测结果输入至人工故障评测接口进行二次评测，根据人工评测结果确定所述原始信号对应的目标故障，通过多次对故障识别的判断，提高了故障识别的准确度。
附图说明
43.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。
44.图1为本技术公开的一种故障确定方法流程图；
45.图2为本技术公开的综合故障识别系统结构示意图；
46.图3为本技术公开的一种故障识别系统架构示意图；
47.图4为本技术公开的一种专家故障识别系统架构示意图；
48.图5为本技术公开的一种专家故障识别系统运行流程示意图；
49.图6为本技术公开的一种具体的故障确定方法流程图；
50.图7为本技术公开的一种集成学习模型示意图；
51.图8为本技术提供的故障确定装置结构示意图；
52.图9为本技术提供的一种电子设备结构图。
具体实施方式
53.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。
54.目前，广泛应用的旋转类设备故障故障识别系统多是基于信号分析方法，通过部署振动传感器，对振动信号进行时频域分析，再根据温度、电流、转速等其他设备信息建立专家故障识别系统对设备状态进行识别。这种方案主要基于对设备机理的理解及行业知识的沉淀，已有几十年的积累，相对较为成熟。但也是受限于理论的发展，故障识别精度只有80％左右难以突破。为此，本技术提供了一种故障确定方法，能够提高故障识别的准确度。
55.本发明实施例公开了一种故障确定方法，参见图1所示，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，该方法包括：
56.步骤s11：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据。
57.本实施例中，对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据。可以理解的是，对原始信号进行预处理操作得到预处理信息之前，通过高速采集区域采集每个设备的过程变量；其中，所述过程变量包含所述设备的振动信息、温度信息、电流信息以及转速；将所述过程变量确定为所述原始信号，并通过网络交换机将所述原始信号发送至服务器。
58.针对旋转类设备构建一个综合故障识别系统，如图2所示，该系统保护故障识别服务器、网络交换机、旋转类设备。高速采集模块采集各类旋转设备的振动、温度、电流、转速等过程变量，通过网络交换机传送至故障识别服务器。故障识别服务器上同时运行专家故障识别系统及ai故障识别系统，并提供有人工故障识别入口。专家故障识别系统及ai故障识别系统基于设备的运行机理及历史运行数据离线建立故障识别模型，在线运行时多个故障识别系统同时运行，并互为辅助。在线故障识别系统架构如图3所示，预处理：完成对原始数据的基本处理，例如滤波、剔除异常值、标准化、时频域变换等操作。特征提取：从现场数据中提取故障识别用的时频域特征，以汽轮机为例，特征主要有转速、负荷、热膨胀、轴瓦温度、润滑油温度和压力、励磁电流、机组效率等工艺参数，以及振动相关参数例如振幅、频谱、相位等。结合这些数据可识别80％左右的机械故障，并将这些特征会输入专家故障识别系统和ai故障识别系统中，即两个故障识别系统输入相同的特征数据。
59.步骤s12：将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息。
60.本实施例中，对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据之后，将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息。具体的，将所述特征数据输入至故障确定系统，并确定所述特征数据对应的目标设备；获取所述目标设备对应的目标条件集以及目标规则集；基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息；其中，所述故障信息包含故障类型以及可信度。
61.可以理解的是，基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息，包括：基于所述特征数据计算所述目标条件集中每个条件对应的条件可信度；从全部所述目标规则集中确定当前规则集，并获取所述当前规则集中包含的当前条件集合；获取所述当前条件集合对应的当前条件可信度集合；基于所述当前条件可信度集合、预设故障可信度计算公式计算所述当前规则集对应的故障可信度；基于预设故障可信度判断规则从全部所述故障可信度中确定目标故障可信度；将所述目标故障可信度以及对应的目标故障类型确定为所述当前故障信息。
62.可以理解的是，专家故障识别系统根据输入特征及内置的判断规则判断系统的运行状态，发生故障时给出故障类型及可信度(百分比数值)。专家故障识别系统架构如图4所示，故障识别专家库中包含n类可故障识别设备，每类设备包含故障识别条件集(即诊断条件集)和故障识别规则集(即诊断规则集)两个集合。每条故障识别规则对应一类故障。故障识别规则集是故障识别规则的集合，汇总了目前发生条件已比较明确的故障类型。故障识别规则集示例如下：
63.r1：如果振动频谱中一倍频振幅较大，且转速不变时振幅基本不变，且转速不变时一倍频相位基本不变，则质量不平衡；
64.r2：如果转速接近额定转速，且转子振动较大，则轴系不对中；
65.r3：如果振动频谱中一倍频较大，且转速不变时振幅逐渐变化，且转速不变时一倍频相位逐渐变化，则动静碰摩；
66.r4：如果振动频谱中一倍频较大，且转速变化不大振动迅速增加，则共振。
67.故障识别规则集就是由上述一系列的形如以下的规则构成的故障故障识别集合。故障识别条件集则是由这些条件汇总成的集合。因为有些规则的判断条件有相同，所以汇总所有条件形成集合以便于规则的计算。if条件1，and条件2，and条件3，
……
，then故障。其中，每个条件都用条件可信度来衡量，表征了该条件发生的可能性。具体的，根据输入的特征计算可信度，例如条件“振动频谱中一倍频振幅较大”，设一倍频振幅为f
1a
，设其“振幅较大”判定上下限为[f
1amin
，f
1amax
]。则条件可信度计算如下：
[0068]
若f
1a
《＝f
1amin
则条件可信度ct＝0；
[0069]
若f
1a
》＝f
1amax
则条件可信度ct＝1；
[0070]
若f
1amin
《f
1a
《f
1amax
则条件可信度
[0071]
可见，条件可信度是[0，1]之间一个可写成百分比的数值。故障可信度表征了故障可能发生的程度，故障可信度是该故障可能发生的各条件的可信度的“与”，也即故障可信度＝(条件1可信度)and(条件2可信度)and(条件3可信度)and
……
[0072]
以上述规则r1为例，若三个条件的条件可信度分别为0.9、0.8、0.75，则生质量不平衡的故障可信度为：ct＝0.9∩0.8∩0.75＝0.75。整体专家故障识别系统的故障识别的流程如图5所示，收集到特征数据之后，根据特征数据确定对应的设备，根据例如上述图4所示的设备与故障识别条件集、故障识别规则集的对应关系确定当前要使用的集合，根据确定的集合计算各规则(故障)的可信度，并输出可能性最大的故障的可信度。
[0073]
专家故障识别系统最终故障识别结果为各故障可信度的“或”，即输出可能性最大的故障的可信度，具体公式如下：
[0074]
ct＝ct1∪ct2∪
……
∪ctn。
[0075]
对于不同的ct值，系统状态如下表1：
[0076]
表1
[0077]
no故障可信度故障严重程度设备状态描述1ct《0.5轻微可长期运行20.5《＝ct《0.65较轻存在潜在风险，需加强监测30.65《＝ct《0.8较重存在现实风向，必要时停机检查40.8《＝ct严重存在严重风险，尽快停机检查
[0078]
根据计算得到的故障可信度所处的范围确定当前故障严重程度以及设备的当前状态。
[0079]
步骤s13：将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。
[0080]
本实施例中，将所述特征数据输入至故障确定系统进行故障检测，以得到当前故
障信息之后，将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。具体的，将所述当前故障信息输入至人工故障评测接口，以便根据预设评估规则判断所述当前故障信息是否准确，以得到人工评测结果；若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障；若所述人工评测结果为所述当前故障信息不准确，则基于预设人工确定操作获取人工故障信息，并基于所述人工故障信息确定所述目标故障。
[0081]
可见，本技术提供了一种故障确定方法，包括：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。由此可见，本技术通过故障确定系统进行故障检测，得到检测结果后将检测结果输入至人工故障评测接口进行二次评测，根据人工评测结果确定所述原始信号对应的目标故障，通过多次对故障识别的判断，提高了故障识别的准确度。
[0082]
参见图6所示，本发明实施例公开了一种故障确定方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
[0083]
步骤s21：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据。
[0084]
步骤s22：将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息。
[0085]
步骤s23：将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。
[0086]
本实施例中，将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障之前，将所述特征数据输入至ai故障识别系统，以便通过所述ai故障识别系统中的故障判断模型计算对应的ai输出故障信息；其中，所述ai输出故障信息包含ai输出故障类型以及ai输出故障可信度。
[0087]
近年来随着ai的快速发展，机器学习、深度学习的理论及应用有了长足的进步。ai算法主要依赖训练数据及模型结构，对机理依赖度不高。在建模数据的种类、数量、质量都满足时会取得很好的训练效果，其在设备故障识别领域也有了很多研究性的工作。但在实际应用中却鲜有成功案例和规模化的应用，主要原因在于故障标签数据的不足，即缺乏足够的建模数据去训练ai故障识别的模型，大大限制了ai在故障识别领域的应用。
[0088]
鉴于大型旋转类设备的重要性，用户通常希望有多种故障识别方式提供参考，并且也接受ai随时间精度能够逐步提高的模式。为此，本发明提出一种将专家故障识别系统和ai相互结合的故障识别模式，专家故障识别系统以及行业专家为机器学习提供样本和标签，日积月累不断提高机器学习的故障识别精度，机器学习故障识别结果从数据分析的角度为传统方法提供有益的参考，两种方法相互结合、互为补充，从而提升故障识别系统的整体效果。
[0089]
可以理解的是，如上图3所示，本发明在特征提取结束之后，特征数据会分别输入至ai故障识别系统、专家故障识别系统以及人工故障识别系统，此时专家故障识别系统对故障可信度进行计算，并输出目标故障可信度；ai故障识别系统同时根据特征数据进行故
障可信度计算，以得到ai输出故障信息；人工故障识别系统判断所述目标故障可信度是否可信，若可信则进入计算所述目标故障可信度与所述ai输出故障可信度的差值的步骤。需要指出的是，人工故障识别系统会将每一次判断结束的特征数据以及所述专家故障识别系统输出的当前故障信息作为新故障样本存储至故障数据库，以便利用所述故障数据库训练所述ai故障识别系统。
[0090]
步骤s24：计算所述目标故障可信度与所述ai输出故障可信度的差值，获取所述差值的绝对值，以得到目标可信度差值。
[0091]
本实施例中，根据人工评测结果确定所述原始信号对应的目标故障之后，计算所述目标故障可信度与所述ai输出故障可信度的差值，获取所述差值的绝对值，以得到目标可信度差值。
[0092]
可以理解的是，人工故障识别入口是为行业专家、设备维护人员等预留的输入接口，主要有两项功能。评估专家故障识别系统输出的故障可信度，可由设备运维人员或者行业专家等进行评估。若确认该可信度是可靠的、准确的，则该可信度可用于ai模型的参数自动更新。计算专家故障识别系统的故障可信度和ai故障识别系统的故障可信度偏差，若满足以下条件则进行ai模型的参数更新。
[0093]
|ct
专家系统-ct
ai
|＞α；式1；
[0094]
ct
专家系统
为专家故障识别系统故障可信度，ct
ai
为ai系统故障可信度，α为模型更新偏差阈值。若是人工评估专家故障识别系统的故障识别结果并不可靠，则不采用。
[0095]
虽然目前专家故障识别系统已经能够对质量不平衡、转子热弯曲、联轴器不对中、共振、动静碰摩等主要的故障类型进行故障识别，但由于有些设备机理复杂、故障成因多样、信号采集困难等因素的制约，仍有一些故障难以自动故障识别，还需依靠行业专家根据各类分析数据人工进行故障识别，例如，油膜振荡、流体激振等。如果这类故障发生时，需先由行业专家进行判断，并打标签。通过人工故障识别入口录入故障数据库，作为后续ai模型阶段性更新的样本数据。
[0096]
步骤s25：将所述目标可信度差值与预设模型更新偏差阈值进行比较，若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更新，得到更新后故障判断模型。
[0097]
本实施例中，计算所述目标故障可信度与所述ai输出故障可信度的差值，获取所述差值的绝对值，以得到目标可信度差值之后，将所述目标可信度差值与预设模型更新偏差阈值进行比较，若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更新，得到更新后故障判断模型。
[0098]
可以理解的是，ai故障识别系统根据输入特征及离线训练好的故障识别模型进行故障故障识别，判断系统状态并在发生故障时给出故障类型及其可信度(百分比数据)。ai故障识别系统的输入特征与专家故障识别系统相同。根据专家故障识别系统积累的故障样本，收集ai建模数据如下表2，根据这些样本数据可构建各类ai模型：
[0099]
表2
[0100]
n0特征1特征2
……
特征m故障可信度1a1b1
……
c1ct1
2a2b2
……
c2ct2
………………………………
nanbn
……
cnctn
[0101]
ai模型构建时，鉴于故障样本数据的不足，特别是一些贵重的大型旋转类设备，比如燃气轮机，故障数据的积累更是需要长年的积淀。这种情况下对样本数据量要求很高的深度学习通常不适用。故障识别模型多采用机器学习模型，本方案采用集成学习模型对故障进行故障识别，以两种典型的弱学习器mlr(多元线性回归)和rbf(径向基函数网络)加权构建一个集成学习模型。模型结构如图7所示，t1、t2......tn为故障特征变量。mlr模型输出为y1，rbf模型输出为y2。经加权后得到综合输出y，权值分别为w1、w2。b为集成模型输出偏置量，则集成模型输出为：
[0102]
y＝w1y1+w2y2+b；式2；
[0103]
该模型即为ai故障识别用模型，mlr的系数、rbf网络参数、权重变量以及偏置量均可通过离线数据集训练得到。在线进行故障识别时当满足式1条件时进行模型更新，更新的参数为式2的权重w1、w2及偏置量b。
[0104]
模型参数自动更新
[0105]
将待更新参数w1、w2、b视为状态变量，变换式2如下：
[0106][0107]
其中，z＝[y
1 y
2 1]，β＝[w
1 w
2 b]
t
；
[0108]
构建故障识别模型的状态方程如下：
[0109]
βk＝β
k-1
+q
k-1
；式4；
[0110][0111]
在输出方程式3的基础上，补充式4的状态方程。β为状态量，且假设其为无偏估计；q为状态偏差，设为零均值白噪声序列；e为测量偏差。kalman更新即可变换为：
[0112]
β
k|k-1
＝β
k-1|k-1
；式6；
[0113]
p
k|k-1
＝p
k-1|k-1
+q；式7；
[0114][0115][0116][0117]
其中p为状态β的协方差阵。q为状态噪声q
k-1
的协方差阵，r为测量噪声的协方差阵。y为在线运行时专家故障识别系统的故障识别的故障可信度，当该值与ai的故障可信度偏差超过设定的阈值时启动kalman更新，按式6到式10对模型系数β进行更新，式9中β
k|k
即为更新后的模型参数。
[0118]
可以理解的是，本发明将专家故障识别系统与ai故障识别系统、人工故障识别进行了有机的融合，由于样本数据的缺乏，现有的ai系统故障识别精度无法满足要求，随着时间的推移以及故障的累计，专家故障识别系统、人工故障识别系统不断的为ai故障识别系统提供样本数据，ai模型的故障识别精度也会不断的提升，当累积样本足够多时ai模型的
故障识别精度会超过专家故障识别系统，从而提高ai故障识别的实用性，其故障识别模型也可在同类设备中展开。根据故障可信度进行ai模型参数自动更新，即专家故障识别系统的故障识别结果经人工确认后可自动根据卡尔曼滤波法对ai的集成模型的权重进行自动更新，减少了运行中模型的维护成本。对于专家故障识别系统无法覆盖的故障类型可通过行业专家判断后录入故障数据库，累积到一定数据量后可进行一次ai模型的重新训练，进一步提升ai模型的故障识别正确性。
[0119]
另外，集成学习模型存在多种的替代方案，svm、决策树、随机森林等都可作为故障识别模型的一种参与集成，选用哪种模型需根据实际的数据情况确定。但无论采用哪种集成学习模型只要其输出为多模型线性加权的模式即可采用本方案中提出的kalman模型更新方案。
[0120]
关于上述步骤s21、s22的具体内容可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0121]
可见，本技术实施例通过对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障；计算所述目标故障可信度与所述ai输出故障可信度的差值；获取所述差值的绝对值，以得到目标可信度差值；将所述目标可信度差值与预设模型更新偏差阈值进行比较，若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更新，得到更新后故障判断模型，提高了故障识别的准确度。
[0122]
参见图8所示，本技术实施例还相应公开了一种故障确定装置，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，包括：
[0123]
预处理模块11，用于对原始信号进行预处理操作得到预处理信息；
[0124]
特征提取模块12，用于针对所述预处理信息执行预设特征提取操作，以得到特征数据；
[0125]
故障检测模块13，用于将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；
[0126]
故障确定模块14，用于将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。
[0127]
可见，本技术包括：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。由此可见，本技术通过故障确定系统进行故障检测，得到检测结果后将检测结果输入至人工故障评测接口进行二次评测，根据人工评测结果确定所述原始信号对应的目标故障，通过多次对故障识别的判断，提高了故障识别的准确度。
[0128]
在一些具体实施例中，所述预处理模块11，具体包括：
[0129]
过程变量采集单元，用于通过高速采集区域采集每个设备的过程变量；其中，所述
过程变量包含所述设备的振动信息、温度信息、电流信息以及转速；
[0130]
原始信号发送单元，用于将所述过程变量确定为所述原始信号，并通过网络交换机将所述原始信号发送至服务器；
[0131]
单元，用于对原始信号进行预处理操作得到预处理信息。
[0132]
在一些具体实施例中，所述特征提取模块12，具体包括：
[0133]
特征提取单元，用于针对所述预处理信息执行预设特征提取操作，以得到特征数据。
[0134]
在一些具体实施例中，所述故障检测模块13，具体包括：
[0135]
目标设备确定单元，用于将所述特征数据输入至故障确定系统，并确定所述特征数据对应的目标设备；
[0136]
集合获取单元，用于获取所述目标设备对应的目标条件集以及目标规则集；
[0137]
条件可信度计算单元，用于基于所述特征数据计算所述目标条件集中每个条件对应的条件可信度；
[0138]
当前条件集合获取单元，用于从全部所述目标规则集中确定当前规则集，并获取所述当前规则集中包含的当前条件集合；
[0139]
当前条件可信度集合获取单元，用于获取所述当前条件集合对应的当前条件可信度集合；
[0140]
故障可信度计算单元，用于基于所述当前条件可信度集合、预设故障可信度计算公式计算所述当前规则集对应的故障可信度；
[0141]
目标故障可信度确定单元，用于基于预设故障可信度判断规则从全部所述故障可信度中确定目标故障可信度；
[0142]
当前故障信息确定单元，用于将所述目标故障可信度以及对应的目标故障类型确定为所述当前故障信息；其中，所述故障信息包含故障类型以及可信度。
[0143]
在一些具体实施例中，所述故障确定模块14，具体包括：
[0144]
ai输出故障信息计算单元，用于将所述特征数据输入至ai故障识别系统，以便通过所述ai故障识别系统中的故障判断模型计算对应的ai输出故障信息；其中，所述ai输出故障信息包含ai输出故障类型以及ai输出故障可信度；
[0145]
人工评测结果获取单元，用于将所述当前故障信息输入至人工故障评测接口，以便根据预设评估规则判断所述当前故障信息是否准确，以得到人工评测结果；
[0146]
第一目标故障确定单元，用于若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障；
[0147]
人工故障信息获取单元，用于若所述人工评测结果为所述当前故障信息不准确，则基于预设人工确定操作获取人工故障信息；
[0148]
第二目标故障确定单元，用于基于所述人工故障信息确定所述目标故障；
[0149]
差值计算单元，用于计算所述目标故障可信度与所述ai输出故障可信度的差值；
[0150]
目标可信度差值确定单元，用于获取所述差值的绝对值，以得到目标可信度差值；
[0151]
数值比较单元，用于将所述目标可信度差值与预设模型更新偏差阈值进行比较；
[0152]
模型更新单元，用于若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更
新，得到更新后故障判断模型。
[0153]
进一步的，本技术实施例还提供了一种电子设备。图9是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0154]
图9为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的故障确定方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0155]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0156]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
[0157]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的故障确定方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0158]
进一步的，本技术实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的故障确定方法步骤。
[0159]
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。
[0160]
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术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，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”或者其任何其他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。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0161]
以上对本发明所提供的一种故障确定方法、装置、设备及存储介质进行了详细介绍，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：
1.一种故障确定方法，其特征在于，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，包括：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。2.根据权利要求1所述的故障确定方法，其特征在于，所述对原始信号进行预处理操作得到预处理信息之前，还包括：通过高速采集区域采集每个设备的过程变量；其中，所述过程变量包含所述设备的振动信息、温度信息、电流信息以及转速；将所述过程变量确定为所述原始信号，并通过网络交换机将所述原始信号发送至服务器。3.根据权利要求1所述的故障确定方法，其特征在于，所述将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息，包括：将所述特征数据输入至故障确定系统，并确定所述特征数据对应的目标设备；获取所述目标设备对应的目标条件集以及目标规则集；基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息；其中，所述故障信息包含故障类型以及可信度。4.根据权利要求3所述的故障确定方法，其特征在于，所述基于所述目标条件集、所述目标规则集、所述特征数据确定所述当前故障信息，包括：基于所述特征数据计算所述目标条件集中每个条件对应的条件可信度；从全部所述目标规则集中确定当前规则集，并获取所述当前规则集中包含的当前条件集合；获取所述当前条件集合对应的当前条件可信度集合；基于所述当前条件可信度集合、预设故障可信度计算公式计算所述当前规则集对应的故障可信度；基于预设故障可信度判断规则从全部所述故障可信度中确定目标故障可信度；将所述目标故障可信度以及对应的目标故障类型确定为所述当前故障信息。5.根据权利要求1至4任一项所述的故障确定方法，其特征在于，所述将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障，包括：将所述当前故障信息输入至人工故障评测接口，以便根据预设评估规则判断所述当前故障信息是否准确，以得到人工评测结果；若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障；若所述人工评测结果为所述当前故障信息不准确，则基于预设人工确定操作获取人工故障信息，并基于所述人工故障信息确定所述目标故障。6.根据权利要求1所述的故障确定方法，其特征在于，所述将所述当前故障信息输入至
人工故障评测接口之前，还包括：将所述特征数据输入至ai故障识别系统，以便通过所述ai故障识别系统中的故障判断模型计算对应的ai输出故障信息；其中，所述ai输出故障信息包含ai输出故障类型以及ai输出故障可信度。7.根据权利要求6所述的故障确定方法，其特征在于，所述若所述人工评测结果为所述当前故障信息准确，则基于所述当前故障信息确定所述目标故障之后，还包括：计算所述目标故障可信度与所述ai输出故障可信度的差值；获取所述差值的绝对值，以得到目标可信度差值；将所述目标可信度差值与预设模型更新偏差阈值进行比较；若所述目标可信度差值大于所述预设模型更新偏差阈值，则将所述特征数据输入至所述故障判断模型，以便对所述故障判断模型的待更新参数进行更新，得到更新后故障判断模型。8.一种故障确定装置，其特征在于，应用于综合故障识别系统，所述综合故障识别系统包含专家故障识别系统、ai故障识别系统及人工故障识别系统，包括：预处理模块，用于对原始信号进行预处理操作得到预处理信息；特征提取模块，用于针对所述预处理信息执行预设特征提取操作，以得到特征数据；故障检测模块，用于将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；故障确定模块，用于将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。9.一种电子设备，其特征在于，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的故障确定方法的步骤。10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的故障确定方法。

技术总结
本申请公开了一种故障确定方法、装置、设备及存储介质，涉及故障识别领域，包括：对原始信号进行预处理操作得到预处理信息，并针对所述预处理信息执行预设特征提取操作，以得到特征数据；将所述特征数据输入至故障确定系统进行故障检测，以得到当前故障信息；将所述当前故障信息输入至人工故障评测接口，以便根据人工评测结果确定所述原始信号对应的目标故障。本申请通过故障确定系统进行故障检测，得到检测结果后将检测结果输入至人工故障评测接口进行二次评测，根据人工评测结果确定所述原始信号对应的目标故障，并将专家故障识别系统、AI故障识别系统及人工故障识别系统相融合，通过多次对故障识别的判断，提高了故障识别的准确度。确度。确度。


技术研发人员：李新春 杨龙 李天辉
受保护的技术使用者：杭州和利时自动化有限公司
技术研发日：2023.06.20
技术公布日：2023/10/15