故障诊断方法、装置、终端设备及存储介质与流程

1.本技术属于故障诊断技术领域，尤其涉及一种故障诊断方法、装置、终端设备及存储介质。


背景技术：

2.随着现代工业过程的规模扩大和复杂性的增加，工业设备的安全性成为人们高度关注的焦点。工业设备的故障诊断作为保证工业过程安全连续生产的关键，也需要进行实时的诊断。例如，在现代化工业过程中，电动阀执行机构的运行状态直接可以影响到整个电动阀的工作性能，因此对电动阀执行机构进行实时的故障诊断具有重要的意义。
3.传统的电动阀执行机构的故障诊断均是以检修工人定期巡检与查验的方法得出诊断结果，在人工智能与大数据技术飞速开展的时代，人工定期巡检与查验诊断的效率和精度已经无法满足要求。


技术实现要素：

4.本技术实施例提供了一种故障诊断方法、装置、终端设备及存储介质，可以提高电动阀执行机构故障诊断的效率和精度。
5.本技术实施例的第一方面提供了一种故障诊断方法，所述故障诊断方法包括：
6.获取电动阀执行机构工作时的待检测数据；
7.将所述待检测数据输入深度自编码器，得到所述待检测数据的重构向量，并计算所述待检测数据与所述重构向量之间的第一重构误差，所述深度自编码器是基于所述电动阀执行机构正常工作时的n个正常数据训练完成的，n为大于1的整数；
8.提取所述待检测数据的深度特征；
9.基于所述待检测数据的深度特征和最小封闭超球体，确定所述待检测数据对应的第一故障监控指标，所述最小封闭超球体是基于所述n个正常数据得到的，所述第一故障监控指标用于衡量所述待检测数据是否为故障数据；
10.若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据。
11.本技术实施例的第二方面提供了一种故障诊断装置，所述故障诊断装置包括：
12.数据获取模块，用于获取电动阀执行机构工作时的待检测数据；
13.误差确定模块，用于将所述待检测数据输入深度自编码器，得到所述待检测数据的重构向量，并计算所述待检测数据与所述重构向量之间的第一重构误差，所述深度自编码器是基于所述电动阀执行机构正常工作时的n个正常数据训练完成的，n为大于1的整数；
14.特征提取模块，用于提取所述待检测数据的深度特征；
15.指标确定模块，用于基于所述待检测数据的深度特征和最小封闭超球体，确定所述待检测数据对应的第一故障监控指标，所述最小封闭超球体是基于所述n个正常数据得到的，所述第一故障监控指标用于衡量所述待检测数据是否为故障数据；
16.故障确定模块，用于若所述第一重构误差大于所述第一故障监控指标，则确定所述待检测数据为故障数据。
17.本技术实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的故障诊断方法。
18.本技术实施例的第四方面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存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的故障诊断方法。
19.本技术实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面所述的故障诊断方法。
20.本技术实施例与现有技术相比存在的有益效果是：在本技术实施例中，首先可以获取电动阀执行机构工作时的待检测数据，并将待检测数据输入深度自编码器对其进行异常检测，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差，由于深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练完成的，因此可以通过判断第一重构误差是否大于待检测数据对应的第一故障监控指标，来判断待检测数据是否为故障数据，其中待检测数据对应的第一故障监控指标是基于提取出的待检测数据的深度特征与基于n个正常数据得到的最小封闭超球体确定得出的。若第一重构误差大于待检测数据对应的第一故障监控指标，则可以确定待检测数据为故障数据，上述方案可直接通过深度自编码器与最小封闭超球体得到第一故障监控指标，以机器化的形式判断待检测数据是否为故障数据，无需人工进行检测，提高了电动阀执行机构故障诊断的效率和精度。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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，还可以根据这些附图获得其他的附图。
22.图1是本技术实施例一提供的一种故障诊断方法的流程示意图；
23.图2是桥式电路的结构示意图；
24.图3是深度自编码器工作过程的流程示意图；
25.图4是获取第一故障监控指标的流程示意图；
26.图5是本技术实施例二提供的一种故障诊断方法的流程示意图；
27.图6是本技术实施例三提供的一种故障诊断装置的结构示意图；
28.图7是本技术实施例四提供的一种终端设备的结构示意图。
具体实施方式
29.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
30.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
31.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
32.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0033]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0035]
通过研究表明，传统的电动阀执行机构的故障诊断均是以检修工人定期巡检与查验的方法得出诊断结果，在人工智能与大数据技术飞速开展的时代，人工定期巡检与查验诊断的效率和精度已经无法满足要求。
[0036]
目前，对电动阀执行机构进行故障诊断的研究可以分为两大类：基于模型的诊断方法和基于数据的诊断方法。基于模型的诊断方法依赖于精确的电动阀执行机构的数学模型，在实际应用中建立精确地数学模型往往是比较困难的。而基于数据的诊断方法只需利用电动阀执行机构的历史数据，无需建立精确地模型，因此基于数据的诊断方法更贴合实际应用。
[0037]
为了提高电动阀执行机构故障诊断的诊断效率，本技术具体可以通过获取电动阀执行机构工作时的待检测数据，并将待检测数据输入深度自编码器对其进行异常检测，得到待检测数据的重构向量，计算待检测数据与重构向量之间的第一重构误差，由于深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练完成的，因此可以通过判断第一重构误差是否大于待检测数据对应的第一故障监控指标，来判断待检测数据是否为故障数据，其中待检测数据对应的第一故障监控指标是基于提取出的待检测数据的深度特征与基于n个正常数据得到的最小封闭超球体确定得出的。若第一重构误差大于待检测数据对应的第一故障监控指标，则可以确定待检测数据为故障数据。上述方案以基于数据的诊断方法为基础通过深度自编码器与最小封闭超球体得到第一故障监控指标，以机器化的形式判断待检测数据是否为故障数据，无需人工进行检测，可以提高电动阀执行机构故障诊断的效率和精度。
[0038]
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0039]
为了说明本技术的技术方案，下面通过具体实施例来说明。
[0040]
参照图1，示出了本技术实施例一提供的一种故障诊断方法的流程示意图。如图1所示，该故障诊断方法可以包括如下步骤：
[0041]
步骤101，获取电动阀执行机构工作时的待检测数据。
[0042]
在本技术实施例中，电动阀执行机构可以是任一工业设备电动阀的驱动装置，例如核电电动阀的驱动装置，称为核电电动阀执行机构。在对电动阀执行机构进行故障诊断时，不同类型的故障其对应的待检测数据是不同的，例如对电动阀执行机构的力矩杆故障进行检测时，对应的待检测数据为力矩变化值；对电动阀执行机构的行程故障进行检测时，对应的待检测数据为位移值；对电动阀执行机构的开力矩故障进行检测时，对应的待检测数据为开力矩变化值。
[0043]
在一种可能的实施方法中，获取电动阀执行机构工作时的待检测数据，包括：
[0044]
在对力矩杆故障进行检测时，获取安装在电动阀执行机构的阀杆上的第一应变片的弹性模量和截面积；在电动阀执行机构工作时，根据由k个第一应变片组成的第一应变片桥式电路，确定第一应变片在预设时间段内的第一应变，得到k个第一应变，k为大于零的整数；根据k个第一应变、第一应变片的弹性模量和截面积，计算电动阀执行机构的力矩变化值，并确定力矩变化值为待检测数据；
[0045]
在对开力矩故障进行检测时，获取安装在电动阀执行机构的开关阀上的第二应变片的弹性模量和截面积；在电动阀执行机构工作时，根据由k个第二应变片组成的第二应变片桥式电路，确定第二应变片在预设时间段内的第二应变；根据第二应变、第二应变片的弹性模量和截面积，计算电动阀执行机构的开力矩变化值，并确定开力矩变化值为待检测数据；
[0046]
在对行程故障进行检测时，获取安装在电动阀执行机构的开关阀上的位移传感器检测到的目标位移值，并确定目标位移值为待检测数据。
[0047]
示例性地，在对力矩杆故障进行检测时，可以首先获取安装在电动阀执行机构的阀杆上的第一应变片的弹性模量e1和第一应变片的截面积s1，其次在电动阀执行机构工作时，根据由4个第一应变片(即如图2所示的桥式电路中的r1、r2、r3以及r4，且r1、r2、r3以及r4可以为电阻应变片)组成的第一应变桥式电路(即如图2所示的桥式电路)中电压变化与第一应变之间的关系，确定4个第一应变片在预设时间段内的4个第一应变，其中第一应变桥式电路中电压变化与第一应变之间的关系可以表示为如下等式：
[0048][0049]
其中，δu
01
是指第一应变桥式电路中u0两端的电压变化；δu1是指第一应变桥式电路中电源u两端的电压变化；ε
11
是指r1对应的第一应变；ε
21
是指r2对应的第一应变；ε
31
是指r3对应的第一应变；ε
41
是指r4对应的第一应变；k1是指r1、r2、r3以及r4的应变片灵敏系数，通常取值为1+2μ1，μ1是指第一应变片材料的泊松比。
[0050]
由于所采用的4个第一应变片为4个相同的应变片，故在电动阀执行机构进行工作时，每个第一应变片的变化均是相同的，当有两个第一应变片被拉伸的时候，其余两个第一应变片会被压缩，即4个相同的第一应变片的第一应变的数值大小相等，方向相反，因此，第一应变桥式电路中电压变化与第一应变之间的关系可以简化表示为如下等式：
[0051][0052]
由简化后的等式可以求出δε1，δε1＝ε
11-ε
21
+ε
31-ε
41
，即4个第一应变的总应变，再根据4个第一应变、第一应变片的弹性模量和截面积，可以计算电动阀执行机构的力矩变化值，其计算公式可以表示为如下等式：
[0053]
δf1＝s1·
e1·
δε1[0054]
其中，δf1为所求的力矩变化值，即在对力矩杆故障进行检测时的待检测数据。
[0055]
示例性地，在对开力矩故障进行检测时，可以采用上述获取力矩变化值的方法，首先获取安装在电动阀执行机构的开关阀上的第二应变片的弹性模量e2和第二应变片的截面积s2，其次在电动阀执行机构工作时，根据第二应变桥式电路(同样采用如图2所示的桥式电路)中电压变化与第二应变之间的如下关系等式，求解出δε2，即4个第二应变的总应变，可以表示为如下等式：
[0056][0057]
其中，δu
02
是指第二应变桥式电路中u0两端的电压变化；δu2是指第二应变桥式电路中电源u两端的电压变化；k2是指第二应变片灵敏系数，通常取值为1+2μ2，μ2是指第二应变片材料的泊松比。
[0058]
求解出δε2，再根据δε2、第二应变片的弹性模量和截面积，可以计算电动阀执行机构的开力矩变化值，其计算公式可以表示为如下等式：
[0059]
δf2＝s2·
e2·
δε2[0060]
其中，δf2为所求的开力矩变化值，即在对开力矩故障进行检测时的待检测数据。
[0061]
示例性地，在对行程故障进行检测时，可以获取安装在执行机构开关阀上的位移传感器检测到的目标位移值，其中，目标位移值是指在电动阀执行机构工作时电动阀的位移值，位移传感器可以是指能够通过检测获取位移值的传感器，例如激光位移传感器。在获取到目标位移值之后，将目标位移值作为对行程故障进行检测时的待检测数据。
[0062]
步骤102，将待检测数据输入深度自编码器，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差。
[0063]
其中，深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练完成的，n为大于1的整数，正常数据是指电动阀执行机构正常工作时采集到的数据。
[0064]
在本技术实施例中，深度自编码器包括如图3所示的编码器和解码器两部分，得到待检测数据的重构向量首先可以利用编码器对待检测数据进行编码，得到编码矩阵，其次再利用解码器对编码矩阵进行解码，得到待检测数据的重构向量。
[0065]
示例性地，假设输入深度自编码器的待检测数据为x＝(x1,x2,
…
xn)∈rm×n，其中xi(i＝1,2,
…
n)∈r1×n，n为待检测数据的个数，m为每个待检测数据中包含的测点个数，利用深度自编码器中的编码器对待检测数据进行编码可以通过如下等式：
[0066]
h＝f
encoder
(x)
[0067]
其中，f
encoder
(
·
)为编码函数；h为对n个待检测数据进行编码后的编码矩阵，且h∈rn×v，v为深度自编码器的编码器部分的最后一层网络包含的神经元个数；由于编码器部分是用来对输入数据进行压缩以及特征提取，编码器部分可以降低x的维度，因此v小于m；
在得到编码矩阵h后，可以利用解码器实现待检测数据的重构，且利用深度自编码器中的解码器对嗲检测数据进行解码可以通过如下等式：
[0068][0069]
其中，f
decoder
(
·
)为解码函数；为输入x的重构向量，为输入x的重构向量，n为待检测数据的个数，m为每个待检测数据中包含的测点个数；输入x与重构向量的维度相同，因此待检测数据与重构向量之间的第一重构误差为是指的向量范数。
[0070]
在一种可能的实施方式中，深度自编码器的训练过程包括：
[0071]
将n个正常数据中的m个正常数据作为训练集，将n个正常数据中剩余的n-m个正常数据作为验证集，m为大于零且小于n的整数；
[0072]
基于训练集中的m个正常数据，获取深度自编码器的初始网络参数；
[0073]
将验证集中的n-m个正常数据输入至具有初始网络参数的深度自编码器中，得到n-m个重构向量；
[0074]
计算验证集中每个正常数据与对应的重构向量之间的第二重构误差,得到n-m个第二重构误差；
[0075]
通过最小化n-m个第二重构误差，得到深度自编码器的目标网络参数，以完成深度自编码器的训练。
[0076]
在本技术实施例中，将n个正常数据中的m个正常数据作为训练集可以是指将m个正常数据构成的向量作为深度自编码器训练过程中的第一输入向量，并基于该第一输入向量，得到深度自编码器的初始网络参数，该初始网络参数是指如图3所示的编码器和解码器中每层网络的参数，在得到初始网络参数之后，再将n个正常数据中的剩余的n-m个正常数据作为深度自编码器训练过程中的验证集，输入到具有初始网络参数的深度自编码器中，得到n-m个重构向量，具体可以通过编码器对n-m个正常数据进行编码，根据初始网络参数得到初始编码矩阵h1，再通过解码器对h1进行解码，根据初始网路参数得到n-m个重构向量，得到n-m个重构向量之后，基于n-m个正常数据与对应的n-m个重构向量之间的n-m个第二重构误差对深度自编码器进行模型反向传播，其中，进行模型反向传播的目的为最小化n-m个第二重构误差，且最小化n-m个第二重构误差可以采用如下等式：
[0077][0078]
其中，j是指n-m个第二重构误差的总和。
[0079]
由上述等式可知，当j取最小值时的网络参数可以确定为目标网络参数，目标网络参数可以使输入深度自编码器中的待检测数据与重构向量之间的误差足够小，得到目标网络参数，即完成了深度自编码器的训练。
[0080]
应理解，由于本技术中的深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练得到的，且由于电动阀执行机构工作时的正常数据和故障数据相差较大，若将故障数据输入该深度自编码器中，会出现重构向量与输入向量误差较大的现象，因此，可
以通过设置一个合理的故障监控指标，以衡量待检测数据是否为故障数据。
[0081]
还应理解的是，故障监控指标的确定可以采用支持向量数据描述算法，即通过引入核函数将待检测数据映射至一个高维空间中，并在高维空间中寻找一个半径尽可能小的封闭超球体，进而使正常数据均落在最小封闭超球体内，若待检测数据通过核函数映射后落入在最小封闭超球体内，则确定待检测数据为正常数据，若待检测数据通过核函数映射后落在最小封闭超球体外，则确定才检测数据为故障数据。
[0082]
步骤103，提取待检测数据的深度特征。
[0083]
在本技术实施例中，由于通过引入核函数将待检测数据映射至的高维空间为深度特征空间，因此为了确定待检测数据在通过核函数映射后是否落在最小封闭超球体内，需要首先提取待检测数据的深度特征，而待检测数据的深度特征可以通过多层非线性映射关系来进行特征提取，针对待检测数据x＝(x1,x2,
···
xn)∈rm×n，xi(i＝1,2,
···
n)∈r1×n，通过多层非线性映射关系进行特征提取的过程具体可以表示为：
[0084][0085]
其中，φ
(l)
(1≤l≤l)表示逐层非线性映射函数关系；w
*(l)
(1≤l≤l)表示第l层特征提取层的目标权重参数；表示待检测数据中第i个数据通过1层特征提取层提取到的深度特征，表示待检测数据中第i个数据通过2层特征提取层提取到的深度特征，依次类推，表示待检测数据中第i个数据通过l层特征提取层提取到的深度特征经过上述特征提取过程，最终所提取到的待检测数据的深度特征可以表示为：
[0086][0087]
其中，w
*
＝{w
*(1)
,w
*(2)
,
…w*(l)
}可以表示为训练完成的l层特征提取层的整体权重参数集合，表示待检测数据中第i个数据通过l层特征提取层提取到的深度特征。
[0088]
步骤104，基于待检测数据的深度特征和最小封闭超球体，确定待检测数据对应的第一故障监控指标。
[0089]
其中，第一故障监控指标用于衡量待检测数据是否为故障数据，最小封闭超球体是基于n个正常数据得到的。
[0090]
在本技术实施例中，由于第一故障监控指标在衡量待检测数据是否为故障数据时，可以通过判断待检测数据是否落在最小封闭超球体内进行确定，因此第一故障监控指标可以定义为待检测数据的深度特征到最小封闭超球体的距离。
[0091]
在一种可能的实施方式中，基于待检测数据的深度特征和最小封闭超球体，确定待检测数据对应的第一故障监控指标，包括：
[0092]
获取最小封闭超球体的中心点；
[0093]
计算待检测数据的深度特征到最小封闭超球体的中心点的第二距离；
[0094]
确定第二距离为第一故障监控指标。
[0095]
示例性地，对于待检测数据中的第i个数据xi，其对应的第一故障监控指标可以表示为：
[0096][0097]
在一种可能的实施方式中，基于n个正常数据，确定最小封闭超球体，以完成深度学习网络的训练，包括：
[0098]
将n个正常数据输入至具有l层特征提取层的深度学习网络中，得到n个正常数据的深度特征，l为大于1的整数；
[0099]
计算n个正常数据的深度特征分别到最小封闭超球体的中心点的第一距离，得到n个第一距离；
[0100]
通过最小化n个第一距离，得到深度学习网络的目标权重参数，以完成深度学习网络的训练。
[0101]
示例性地，如图4所示的获取第一故障监控指标的流程示意图，本技术实施例基于多层非线性映射关系来进行特征提取的方法，首先将n个正常数据(x
t
(t＝1,2,
···
n))输入至具有l层特征提取层的深度学习网络中，得到n个正常数据的深度特征为t＝1,2,
···
n，其中，w＝{w
(1)
,w
(2)
,
…w(l)
}表示为未训练完成的深度学习网络的l层特征提取层的整体权重参数集合。
[0102]
其次基于上述得到的n个正常数据的深度特征，可以计算出n个正常数据的深度特征分别到最小封闭超球体的中心点的第一距离，得到n个第一距离，且n个第一距离可以表示为|φ(x
t
；w
(l)
)-o||2，t＝1,2,
···
n，o是指先验指定的最小封闭超球体的中心。
[0103]
最后基于n个第一距离，再通过最小化如下的目标函数，最小化n个第一距离，可以得到深度学习网络的目标权重参数w
*
＝{w
*(1)
,w
*(2)
,
…w*(l)
}，使n个正常数据能够在深度特征空间中聚集到最小封闭超球体o的附近，从而形成一个描述正常数据的最小封闭超球体，并完成深度学习网络的训练。其中，目标函数可以表示为如下等式：
[0104][0105]
其中，o是指先验指定的最小封闭超球体的中心，λ是指深度学习网络权重参数的惩罚系数，是指w
(l)
的f范数的平方。
[0106]
步骤105，若第一重构误差大于第一故障监控指标，则确定待检测数据为故障数据。
[0107]
在本技术实施例中，由于第一故障监控指标是指待检测数据的深度特征在深度特征空间中与最小封闭超球体之间的距离，最小封闭超球体是基于n个正常数据得到的，若待检测数据为故障数据，则确定出的第一故障监控指标会大于正常数据的深度特征在深度特征空间中与最小封闭超球体之间的距离，因此，若第一重构误差大于第一故障监控指标，则可以确定待检测数据为故障数据。
[0108]
在本技术实施例中，首先可以获取电动阀执行机构工作时的待检测数据，并将待检测数据输入深度自编码器对其进行异常检测，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差，由于深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练完成的，因此可以通过判断第一重构误差是否大于待检测数据对应的第一故障监控指标，来判断待检测数据是否为故障数据，其中待检测数据对应的第一故障监控指标是基于提取出的待检测数据的深度特征与基于n个正常数据得到的最小封闭超球体确定得出的。若第一重构误差大于待检测数据对应的第一故障监控指标，则可以确定待检测数据为故障数据，上述方案可直接通过深度自编码器与最小封闭超球体得到第一故障监控指标，以机器化的形式判断待检测数据是否为故障数据，无需人工进行检测，提高了电动阀执行机构故障诊断的效率和精度。
[0109]
参见图5，示出了本技术实施例二提供的一种故障诊断方法的流程示意图。如图2所示，该故障诊断方法可以包括如下步骤：
[0110]
步骤501，获取电动阀执行机构工作时的待检测数据。
[0111]
步骤502，将待检测数据输入深度自编码器，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差。
[0112]
步骤503，提取待检测数据的深度特征。
[0113]
步骤504，基于待检测数据的深度特征和最小封闭超球体，确定待检测数据对应的第一故障监控指标。
[0114]
本实施例步骤501-504与前述实施例步骤101-104相同，可以相互参阅，本实施例在此不再赘述。
[0115]
步骤505，获取监控指标阈值。
[0116]
在本技术实施例中，由于在实施例一获取第一故障监控指标时采用的深度学习模型无法获取最小封闭超球体的半径，因此无法确定第一故障监控指标的上限值，导致在进行故障诊断时，待检测数据的检测不够精确，因此为了提高故障诊断的精确度，需要获取监控指标阈值。
[0117]
在一种可能的实施方式中，获取监控指标阈值包括：
[0118]
基于n个正常数据的深度特征和最小封闭超球体，确定n个正常数据分别对应的第二故障监控指标，得到n个第二故障监控指标；
[0119]
根据n个第二故障监控指标，计算n个第二故障监控指标对应的概率密度函数；
[0120]
基于概率密度函数，计算监控指标阈值。
[0121]
在本技术实施例中，可以采用核密度估计来获取n个第二故障监控指标的概率密度分布，即可以基于n个第二故障监控指标构建其对应的概率密度函数，假设n个正常数据分别为{x1,x2,
···
xn}，计算得到相应的n个第二故障监控指标分别为d1,d1,
…dn
，基于n个正常数据构建d
t
的概率密度函数，其表达式可以采用如下等式表示：
[0122][0123]
其中，g(
·
)表示核密度估计采用的核函数；a表示核函数的宽度参数；dj是任意的第二故障监控指标的数据，且dj∈[d
t-a
，d
t+a
]，t-a《j《t+a。
[0124]
对上述概率密度函数进行积分求解，可以得出监控指标阈值。
[0125]
步骤506，判断第一故障监控指标是否小于监控指标阈值。
[0126]
在本技术实施例中，监控指标阈值是基于n个正常数据的第二故障监控指标得到的，若是存在待检测数据对应的第一故障监控指标大于或等于监控指标阈值，则说明该第一故障监控指标对应的待检测数据映射后的深度特征存在与最小封闭超球体的外部，为故障数据，且该第一故障监控指标不能作为重构误差阈值与对应的第一重构误差进行对比。
[0127]
因此，在将第一故障监控指标与第一重构误差进行对比之前，需要先判断第一故障监控指标与监控指标阈值的大小关系，以确保该第一故障监控指标的可用性。
[0128]
步骤507，若第一故障监控指标小于监控指标阈值，则判断第一重构误差是否大于第一故障监控指标。
[0129]
在本技术实施例中，若待检测数据对应的第一故障监控指标小于监控指标阈值，则说明该第一故障监控指标对应的待检测数据映射后的深度特征存在与最小封闭超球体的内部，且该第一故障监控指标具有可用性，可以作为重构误差阈值对对应的第一重构误差进行对比，因此在得出第一故障监控指标小于监控指标阈值后，再将第一重构误差与第一故障监控指标进行对比。
[0130]
步骤508，若第一重构误差大于第一故障监控指标，则确定待检测数据为故障数据。
[0131]
本实施例步骤508与前述实施例步骤105相同，可以相互参阅，本实施例在此不再赘述。
[0132]
相较于实施例一，本技术实施例基于n个正常数据的n个第二故障监控指标，设置了监控指标阈值，用于判断待检测数据对应的第一故障监控指标是否为可用的误差阈值，且当第一故障监控指标小于监控指标阈值时，确定第一监控指标的可用性后，再与第一重构误差进行对比，提高了电动阀执行机构故障诊断的精确度。
[0133]
参见图6，示出了本技术实施例三提供的一种故障诊断装置的结构示意图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0134]
故障诊断装置具体可以包括如下模块：
[0135]
数据获取模块601，用于获取电动阀执行机构工作时的待检测数据；
[0136]
误差确定模块602，用于将待检测数据输入深度自编码器，得到待检测数据的重构向量，并计算待检测数据与重构向量之间的第一重构误差，深度自编码器是基于电动阀执行机构正常工作时的n个正常数据训练完成的，n为大于1的整数；
[0137]
特征提取模块603，用于提取待检测数据的深度特征；
[0138]
指标确定模块604，用于基于待检测数据的深度特征和最小封闭超球体，确定待检测数据对应的第一故障监控指标，最小封闭超球体是基于n个正常数据得到的，第一故障监控指标用于衡量待检测数据是否为故障数据；
[0139]
故障确定模块605，用于若第一重构误差大于第一故障监控指标，则确定待检测数据为故障数据。
[0140]
在本技术实施例中，故障诊断装置具体还可以包括如下模块：
[0141]
阈值获取模块，用于获取监控指标阈值，监控指标阈值是基于n个正常数据得到的；
[0142]
第一判断模块，用于判断第一故障监控指标是否小于监控指标阈值；
[0143]
第二判断模块，用于若第一故障监控指标小于监控指标阈值，则判断第一重构误差是否大于第一故障监控指标。
[0144]
在本技术实施例中，阈值获取模块具体可以包括如下子模块：
[0145]
第二指标确定子模块，用于基于n个正常数据的深度特征和最小封闭超球体，确定n个正常数据分别对应的第二故障监控指标，得到n个第二故障监控指标；
[0146]
密度计算子模块，用于根据n个第二故障监控指标，计算n个第二故障监控指标对应的概率密度函数；
[0147]
阈值计算子模块，用于基于概率密度函数，计算监控指标阈值。
[0148]
在本技术实施例中，故障诊断装置具体还可以包括如下模块：
[0149]
划分模块，用于将n个正常数据中的m个正常数据作为训练集，将n个正常数据中剩余的n-m个正常数据作为验证集，m为大于零且小于n的整数；
[0150]
初始参数获取模块，用于基于训练集中的m个正常数据，获取深度自编码器的初始网络参数；
[0151]
重构模块，用于将验证集中的n-m个正常数据输入至具有初始网络参数的深度自编码器中，得到n-m个重构向量；
[0152]
计算模块，计算验证集中每个正常数据与对应的重构向量之间的第二重构误差,得到n-m个第二重构误差；
[0153]
目标参数确定模块，用于通过最小化n-m个第二重构误差，得到深度自编码器的目标网络参数，以完成深度自编码器的训练。
[0154]
在本技术实施例中，故障诊断装置具体还可以包括如下模块：
[0155]
特征确定模块，用于将n个正常数据输入至具有l层特征提取层的深度学习网络中，得到n个正常数据的深度特征，l为大于1的整数；
[0156]
距离确定模块，用于计算n个正常数据的深度特征分别到最小封闭超球体的中心点的第一距离，得到n个第一距离；
[0157]
目标权重确定模块，用于通过最小化n个第一距离，得到深度学习网络的目标权重参数，以完成深度学习网络的训练。
[0158]
在本技术实施例中，指标确定模块604具体可以包括如下子模块：
[0159]
中心点获取子模块，用于获取最小封闭超球体的中心点；
[0160]
距离计算子模块，用于计算待检测数据的深度特征到最小封闭超球体的中心点的第二距离；
[0161]
第一指标确定子模块，用于确定第二距离为第一故障监控指标。
[0162]
在本技术实施例中，数据获取模块601具体可以包括如下子模块：
[0163]
第一数据获取子模块，用于在对力矩杆故障进行检测时，获取安装在电动阀执行机构的阀杆上的第一应变片的弹性模量和截面积；在电动阀执行机构工作时，根据由k个第一应变片组成的第一应变片桥式电路，确定第一应变片在预设时间段内的第一应变，得到k个第一应变，k为大于零的整数；根据k个第一应变、第一应变片的弹性模量和截面积，计算电动阀执行机构的力矩变化值，并确定力矩变化值为待检测数据；
[0164]
第二数据获取子模块，用于在对开力矩故障进行检测时，获取安装在电动阀执行机构的开关阀上的第二应变片的弹性模量和截面积；在电动阀执行机构工作时，根据由k个
第二应变片组成的第二应变片桥式电路，确定第二应变片在预设时间段内的第二应变，得到k个第二应变；根据k个第二应变、第二应变片的弹性模量和截面积，计算电动阀执行机构的开力矩变化值，并确定开力矩变化值为待检测数据；
[0165]
第三数据获取子模块，用于在对行程故障进行检测时，获取安装在电动阀执行机构的开关阀上的位移传感器检测到的目标位移值，并确定目标位移值为待检测数据。
[0166]
本技术实施例提供的故障诊断装置可以应用在前述方法实施例中，详情参见上述方法实施例的描述，在此不再赘述。
[0167]
图7是本技术实施例四提供的终端设备的结构示意图。如图7所示，该实施例的终端设备700包括：至少一个处理器710(图7中仅示出一个)处理器、存储器720以及存储在所述存储器720中并可在所述至少一个处理器710上运行的计算机程序721，所述处理器710执行所述计算机程序721时实现上述故障诊断方法实施例中的步骤。
[0168]
所述终端设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器710、存储器720。本领域技术人员可以理解，图7仅仅是终端设备700的举例，并不构成对终端设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0169]
所称处理器710可以是中央处理单元(central processing unit，cpu)，该处理器710还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0170]
所述存储器720在一些实施例中可以是所述终端设备700的内部存储单元，例如终端设备700的硬盘或内存。所述存储器720在另一些实施例中也可以是所述终端设备700的外部存储设备，例如所述终端设备700上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器720还可以既包括所述终端设备700的内部存储单元也包括外部存储设备。所述存储器720用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器720还可以用于暂时地存储已经输出或者将要输出的数据。
[0171]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0172]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记
载的部分，可以参见其它实施例的相关描述。
[0173]
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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，但是这种实现不应认为超出本技术的范围。
[0174]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0175]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0176]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0177]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0178]
本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行时可实现上述各个方法实施例中的步骤。
[0179]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制。尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。