检测方法、终端设备及计算机可读存储介质与流程

1.本技术属于故障检测技术领域，尤其涉及检测方法、终端设备及计算机可读存储介质。


背景技术：

2.故障检测是设备预测性维护中一个重要环节，旨在监测故障是否发生、故障位置以及识别故障种类。实时和高效的故障检测对延长机械设备的使用寿命、减少维护费用和增加设备运行的安全性具有重要意义。
3.现有的故障检测方法，通常是利用传感器采集设备中各部件的检测数据，然后分别判断各个检测数据是否异常，以此来断定设备是否出现故障、以及故障位置。实际应用中，设备中各部件之间具有关联性，有时设备中某个部件的检测数据出现异常，可能是由其他部件故障导致的。而现有方法中将设备中各部件作为独立的单元进行检测，忽略了它们之间的物理关联，导致检测结果的准确度和可靠性较低。


技术实现要素：

4.本技术实施例提供了一种检测方法、终端设备及计算机可读存储介质，可以有效提高设备故障检测的准确度和可靠性。
5.第一方面，本技术实施例提供了一种检测方法，包括：
6.通过传感器获取待检测设备中各部件的实时检测数据；
7.根据所述实时检测数据和训练后的检测模型获得所述待检测设备的检测结果，其中，所述训练后的检测模型根据所述待检测设备的超图结构训练获得，所述超图结构的节点表示所述待检测设备的部件，所述超图结构的边表示所述待检测设备中各部件之间的物理关系。
8.本技术实施例中，通过超图结构表示待检测设备中各部件之间的关联关系，根据超图结构训练检测模型，相当于根据待检测设备中各部件之间的关联关系训练检测模型，这样可以保证训练后的检测模型能够自动识别传感器获取到的实时检测数据之间的关联关系，并根据该关联关系进行设备故障检测。通过上述方法，在设备故障检测时，充分考虑了设备中各部件之间的关联，有效提供了检测结果的准确度和可靠度。
9.在第一方面的一种可能的实现方式中，所述方法还包括：
10.根据所述待检测设备中各部件之间的物理关系，生成所述待检测设备的超图结构；
11.根据所述超图结构和多组训练数据训练所述检测模型，获得训练后的所述检测模型，其中，每组训练数据包括所述待检测设备中各部件的一组历史检测数据和标签类型。
12.在第一方面的一种可能的实现方式中，所述根据所述待检测设备中各部件之间的物理关系，生成所述待检测设备的超图结构，包括：
13.根据所述待检测设备中各部件之间的物理关系，对所述待检测设备中各部件进行
分组；
14.根据每组中包含的部件生成一个子图结构；
15.将所述子图结构生成所述待检测设备的超图结构。
16.在第一方面的一种可能的实现方式中，所述物理关系包括至少一个数学模型，每个数学模型包括至少2个物理变量，所述数学模型用于表示所述待检测设备的运行机理，所述物理变量的数值通过所述传感器获得；
17.所述根据所述待检测设备中各部件之间的物理关系，对所述待检测设备中各部件进行分组，包括：
18.根据所述物理变量和所述数学模型的所属关系，将所述物理变量进行分组；
19.将每组中物理变量对应的部件划分为一组。
20.在第一方面的一种可能的实现方式中，所述根据每组中包含的部件生成一个子图结构，包括：
21.对于每个分组，若所述分组对应的所述物理变量的个数小于或等于所述数学模型的个数，则将所述分组中包含的部件生成第一子图，所述第一子图为有向的子图结构、且所述第一子图中每条边的一端最多连接一个节点；
22.若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数大于或等于2，则将所述分组中包含的部件生成第二子图，所述第二子图为无向的子图结构、且所述第二子图中每条边的一端连接的节点个数为大于或等于0的正整数，其中，所述重合变量为所述分组对应的每个数学模型中均包含的物理变量；
23.若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数小于2，则将所述分组中包含的部件生成第三子图，所述第三子图为有向的子图结构、且所述第三子图中每条边的一端连接的节点的个数为大于或等于0的正整数；
24.所述子图结构中的边根据每组中包含的部件所属的数学模型确定。
25.在第一方面的一种可能的实现方式中，所述根据所述超图结构和多组训练数据训练所述检测模型，获得训练后的所述检测模型，包括：
26.根据所述超图结构生成超图矩阵；
27.根据所述超图矩阵和多组训练数据训练所述检测模型，获得训练后的所述检测模型。
28.在第一方面的一种可能的实现方式中，所述超图矩阵的横坐标表示所述超图结构中边的编号，所述超图矩阵的纵坐标表示所述超图结构中节点的编号；
29.所述根据所述超图结构生成超图矩阵，包括：
30.若所述超图结构中第i条边连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为非零预设值；
31.若所述超图结构中第i条边未连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为0。
32.在第一方面的一种可能的实现方式中，所述根据所述超图矩阵和多组训练数据训练所述检测模型，获得训练后的所述检测模型，包括：
33.对所述训练检测数据进行归一化处理，获得归一化数据；
34.对所述归一化数据进行去噪处理，获得去噪数据；
35.根据所述超图矩阵中部件的排列顺序，对所述去噪数据进行排序，获得排序数据；
36.将所述排序数据和所述超图矩阵输入所述检测模型进行训练，获得训练后的所述检测模型。
37.第二方面，本技术实施例提供了一种检测装置，包括：
38.数据获取单元，用于通过传感器获取待检测设备中各部件的实时检测数据；
39.故障检测单元，用于根据所述实时检测数据和训练后的检测模型获得所述待检测设备的检测结果，其中，所述训练后的检测模型根据所述待检测设备的超图结构训练获得，所述超图结构的节点表示所述待检测设备的部件，所述超图结构的边表示所述待检测设备中各部件之间的物理关系。
40.第三方面，本技术实施例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如上述第一方面中任一项所述的检测方法。
41.第四方面，本技术实施例提供了一种计算机可读存储介质，本技术实施例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如上述第一方面中任一项所述的检测方法。
42.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的**方法。
43.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
44.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性的前提下，还可以根据这些附图获得其他的附图。
45.图1是本技术实施例提供的模型训练方法的流程示意图；
46.图2是本技术实施例提供的超图结构的示意图；
47.图3是本技术实施例提供的变量矩阵的示意图；
48.图4是本技术实施例提供的子图结构的示意图；
49.图5是本技术另一实施例提供的超图结构的示意图；
50.图6是本技术实施例提供的检测方法的流程示意图；
51.图7是本技术实施例提供的检测装置的结构框图；
52.图8是本技术实施例提供的终端设备的结构示意图。
具体实施方式
53.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。
54.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。
55.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。
56.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]”。
[0057]
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。
[0058]
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。
[0059]
首先介绍检测模型的训练方法。参见图1，是本技术实施例提供的模型训练方法的流程示意图，作为示例而非限定，所述模型训练方法包括以下步骤：
[0060]
s101，根据所述待检测设备中各部件之间的物理关系，生成所述待检测设备的超图结构。
[0061]
通常，设备中各部件之间具有相关性，包括机械结构的相关性、以及运行机理的相关性。因此，本技术实施例中的物理关系，包括设备中各部件之间的机械结构连接关系，还包括设备机理对应的数学模型，每个数学模型包括至少2个物理变量。数学模型用于表示设备的运行机理，物理变量的数值可以通过传感器获取。
[0062]
以涡扇发动机为例，涡扇发动机的机械结构包括涡扇、增压器、涡轮和燃烧机，增压器包括高压压气机和低压压气机，涡轮包括高压涡轮和低压涡轮。在机械结构上，涡扇连接压气机，压气机连接燃烧机，燃烧机连接增压器。在运行机理上，涡扇将吸入的空气输送到压气机；由压气机进行增压，并将增压后的高温高压气流输送到燃烧机；由燃烧机对其进行加热，加热膨胀后的气流冲击后边的涡轮；涡轮被高温高压气流带动旋转，气流最后从尾部高速喷出，形成发动机最主要的动力。
[0063]
例如，从上述涡扇发动机各部件之间的物理关系可知，涡扇的转速和进入压气机的气流流速相关，涡扇转速为自变量，压气机的气流流速为因变量，组成一个数学模型；再例如，压气机中气流的压强与燃烧机的功率相关，压气机中气流的压强为自变量，燃烧机的功率为因变量，组成一个数学模型。其中，涡扇转速、压气机的气流流速、压气机中气流压强、以及燃烧机的功率这些物理变量均可以通过安装在涡扇发动机各部件上的传感器检测获得。
[0064]
超图结构中包括节点和边，节点之间通过边相连接，边用于表征节点之间的关联，如属性、类别、从属关系等。超图结构的实质是拓扑数据结构，用于表征物体之间的外在、内在的关联。参见图2，是本技术实施例提供的超图结构的示意图。如图2中的(a)所示，为传统
的图结构，该结构中每条边的一端最多连接一个节点。如图2中的(b)所示，为超图结构，该结构中每条边的一端可以连接多个节点。
[0065]
由上述描述可知，步骤s101中，根据待检测设备中各部件之间的物理关系，生成待检测设备的超图结构，可以表征待检测设备中各部件之间的物理关系，包括机械结构的连接关系和运行机理的关系。通过上述方法，通过超图结构将待检测设备中各部件之间抽象的物理关系具体化为形象的超图结构，便于后续数据处理。
[0066]
s102，根据所述超图结构和多组训练数据训练所述检测模型，获得训练后的所述检测模型。
[0067]
其中，每组训练数据包括所述待检测设备中各部件的一组历史检测数据和标签类型。需要说明的是，期望获得哪种检测结果，训练过程中就使用哪种标签类型。例如，如果期望的检测结果是发动机是否故障，那么训练过程中，每组历史检测数据对应的标签类型可以为发动机故障/发动机正常。再例如，如果期望的检测结果是发动机中故障位置，那么训练过程中，每组历史检测数据对应的标签类型可以为涡扇故障/增压器故障/涡轮故障/燃烧机故障。
[0068]
本技术实施例中，通过超图结构表示待检测设备中各部件之间的关联关系，根据超图结构训练检测模型，相当于根据待检测设备中各部件之间的关联关系训练检测模型，这样可以保证训练后的检测模型能够自动识别传感器获取到的实时检测数据之间的关联关系。
[0069]
在一个实施例中，超图结构的生成方法包括：
[0070]
根据所述待检测设备中各部件之间的物理关系，对所述待检测设备中各部件进行分组；根据每组中包含的部件生成一个子图结构；将所述子图结构生成所述待检测设备的超图结构。
[0071]
可选的，分组的方式可以为：将具有因果关系的物理变量对应的部件划分为一组。如s101中涡扇发动机示例所述，涡扇的转速和进入压气机的气流流速相关，涡扇转速为自变量，压气机的气流流速为因变量，涡扇转速与压气机的气流流速之间具有因果关系，则将涡扇转速对应的部件涡扇和压气机气流流速对应的部件压气机划分为一组。
[0072]
相应的，生成子图结构的方式可以为：节点表示物理变量，边的方向由自变量指向因变量。
[0073]
实际应用中，设备中各部件涉及的物理变量的个数可能较多，且多个物理变量之间的关系较为混乱。如果按照上述方法，生成的超图结构中边与边之间可能存在交叉，结构杂乱无章。
[0074]
为了解决上述问题，可选的，本技术实施例提供的另一种分组方式为：
[0075]
根据所述物理变量和所述数学模型的所属关系，将所述物理变量进行分组；将每组中物理变量对应的部件划分为一组。
[0076]
示例性的，具体步骤如下所示：
[0077]
a、先根据物理变量和数学模型的所属关系，建立变量矩阵。
[0078]
变量矩阵的横坐标表示数学模型的编号，纵坐标表示物理变量。参见图3，是本技术实施例提供的变量矩阵的示意图。图3中的(a)所示的横坐标e1-e7表示7个数学模型，纵坐标v1-v8表示8个物理变量。物理变量v1属于数学模型e1和数学模型e2，变量矩阵第1行第
1列的位置和第1行第2列的位置存在元素；物理变量v2属于数学模型e2和e3，变量矩阵第2行第2列的位置和第2行第3列的位置存在元素。以此类推。从图中可以直观地看出物理变量和数学模型的所属关系。
[0079]
其中，所属关系指，数学模型x表示物理变量a和b之间的关系，如x＝a+b，则物理变量a和b属于数学模型x。
[0080]
b、根据预设规则对变量矩阵进行区域划分。
[0081]
预设规则包括：
[0082]
在超定区域中，物理变量的个数小于数学模型的个数；
[0083]
在正定区域中，物理变量的个数等于数学模型的个数；
[0084]
在欠定区域中，物理变量的个数大于数学模型的个数。
[0085]
如图3中的(a)所示，超定区域中包含物理变量v1和v2，数学模型e1-e3，即物理变量的个数小于数学模型的个数。正定区域中包括物理变量v3和v4，数学模型e4和e5，即物理变量的个数等于数学模型的个数。欠定区域中物理变量有v5-v8，数学模型有e6和e7，即物理变量的个数大于数学模型的个数。
[0086]
c、将每个区域中物理变量对应的部件划分为一组。
[0087]
以涡扇发动机为例，物理关系包括以下数学模型：
[0088][0089][0090][0091][0092]
其中，f为向前推力，为涡扇流率，v
exitfan
为涡扇出口气流速度，为低压气压机流率，v0为低压气压机气流速度，p
fan
为涡扇压力，p0为低压气压机入口处压力，p
core
为低压压气机出口处压力，a
fan
为涡扇扩充气流，a
core
为低压压气机扩充气流，c
pc
为高压压气机常量，c
pt
为高压涡轮常量，t
hpt
为高压涡轮温度，t
hpc
为高压压气机温度，h
pr
为每单位产生的能量，ηb为燃烧机能耗，f为高压涡轮能耗，t
lpt
为低压涡轮温度，t
lpc
为低压涡轮温度，bpr为涵道比，η
t
为高压涡轮能耗。
[0093]
如图3中的(b)所示，为上述涡扇发动机对应的变量矩阵。根据上述方法，将变量矩阵划分为3个区域，该3个区域均为欠定区域。对于区域
①
，物理变量对应的部件有涡扇和低压压气机，则将涡扇和和低压压气机划分为一组。对于区域
②
，物理变量对应的部件有高压压气机、高压涡轮和燃烧机，则将高压压气机、高压涡轮和燃烧机划分为一组。对于区域
③
，物理变量对应的部件有低压涡轮、低压压气机、高压涡轮和高压压气机，则将低压涡轮、低压压气机、高压涡轮和高压压气机划分为一组。
[0094]
上述物理变量的数值均可以通过传感器获得。例如，在涡扇出口处安装气流速度传感器，可以检测到为涡扇出口气流速度v
exitfan
。再例如，在低压气压机入口处安装压力传感器，可以检测到为低压气压机入口处压力p0。
[0095]
可选的，子图结构的生成方式包括：
[0096]
对于每个分组，若所述分组对应的所述物理变量的个数小于或等于所述数学模型的个数，则将所述分组中包含的部件生成第一子图，所述第一子图为有向的子图结构、且所述第一子图中每条边的一端最多连接一个节点；
[0097]
若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数大于或等于2，则将所述分组中包含的部件生成第二子图，所述第二子图为无向的子图结构、且所述第二子图中的每条边的一端连接节点的个数为大于或等于0的整数，其中，所述重合变量为所述分组对应的每个数学模型中均包含的物理变量；
[0098]
若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数小于2，则将所述分组中包含的部件生成第三子图，所述第三子图为有向的子图结构、且所述第三子图中每条边的一端连接节点的个数为大于或等于0的整数。
[0099]
上述生成方式中，相当于针对超定区域和正定区域，生成传统的图结构；针对欠定区域，生成超图结构。传统的图结构中，每条边的一端最多连接一个节点，而超图结构中，每条边的一端可以连接多个节点。超图结构与传统的图结构相比，具有较强的数据间非线性高阶关联的刻画和挖掘能力，能够更加准确地建模多元关系。本技术中采用超图结构和传统图结构融合的方式，能够较准确地表达设备中各部件之间的物理关系。
[0100]
子图结构中的边根据每组中包含的部件所属的数学模型确定。具体的，各节点共同所属的数学模型作为连接各节点的边。
[0101]
示例性的，参见图4，是本技术实施例提供的子图结构的示意图。如图4中的(a)所示，为根据图3中的(a)超定区域生成的子图结构，该子图结构中的节点分为n1(物理变量v1对应的部件)和n2(物理变量v2对应的部件)，两者共同所属的数学模型为e2，用普通的有向边将两个节点连接，边为e2。如图4中的(b)所示，为根据图3中的(a)正定区域生成的子图结构，该子图结构中的节点分别为n2(物理变量v3对应的部件)和n3(物理变量v4对应的部件)，两者共同所属的数学模型为e4，用普通的有向边将两个节点连接，边为e4。如图4中的(c)所示，为根据图3中的(a)欠定区域生成的子图结构，该子图结构中的节点分别为n3(物理变量v5对应的部件)、n4(物理变量v6对应的部件)、n5(物理变量v7对应的部件)和n6(物理变量v8对应的部件)，重合变量的个数为2，v5-v7共同属于数学模型e6，v6-v8共同属于数学模型e7，则用无向的超边将四个节点连接，其中，n3-n5之间的边为e6，n4-n6之间的边为e7。最后，再将子图结构组合为超图结构，如图4中的(d)所示。
[0102]
参见图5，是本技术另一实施例提供的超图结构的示意图。图5中的(a)所示的超图结构为根据图3中的(b)所示的变量矩阵生成的超图结构。图3中的(b)所示的三个区域均为欠定区域，区域
①
包含的物理变量对应的部件为涡扇和低压压气机，两者共同所属的数学模型为e1，由于该区域仅包含一个数学模型，可以用普通的有向边将涡扇和低压压气机连接，边为e1，得到一个子图结构。区域
②
包含的物理变量对应的部件为高压压气机、高压涡轮和燃烧机，三者共同所属的数学模型为e2，重合变量的个数为3，故用无向的超边连接高压压气机、高压涡轮和燃烧机，超边为e2，得到一个子图结构。区域
③
包含的物理变量对应
的部件为低压涡轮、低压压气机、高压涡轮和高压压气机，四者共同所属的数学模型为e4，重合变量的个数为4，股用无向的超边连接低压涡轮、低压压气机、高压涡轮和高压压气机，超边为e4，得到一个子图结构。然后将三个子图结构组合为超图结构。
[0103]
在一个实施例中，s102还可以包括：
[0104]
i、根据所述超图结构生成超图矩阵。
[0105]
ii、根据所述超图矩阵和多组训练数据训练所述检测模型，获得训练后的所述检测模型。
[0106]
由于超图结构为直观地图结构，无法被处理器识别。为了解决该问题，可以将超图结构生成数据结构的超图矩阵，以供处理器识别。
[0107]
可选的，所述超图矩阵的横坐标表示所述超图结构中边的编号，所述超图矩阵的纵坐标表示所述超图结构中节点的编号。
[0108]
现有技术中，超图矩阵的生成方式通常为：将超图矩阵中的元素均设置为0或1；还可以将超图矩阵中的元素设置为随机值。
[0109]
本技术实施例中，提供一种超图矩阵的生成方式为：
[0110]
若所述超图结构中第i条边连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为非零预设值；
[0111]
若所述超图结构中第i条边未连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为0。
[0112]
其中，i和j为正整数。
[0113]
与现有的超图矩阵的生成方式相比，利用本技术实施例提供的方式生成的超图矩阵能够更准确地表达超图结构，进而保证后续检测的准确度。
[0114]
示例性的，由于图5中的(a)所示的超图结构中涉及3条边e1、e2和e3，相应的，如图5中的(b)所示的超图矩阵的横坐标分别为e1、e2和e3。由于图5中的(a)所示的超图结构中涉及6个部件(即6个节点)涡扇、低压气压机、高压压气机、高压涡轮、低压涡轮和燃烧机，如图5中的(b)所示的超图矩阵中，按照超图结构的连接顺序(也可以参考设备中各部件的机械连接顺序)，纵坐标依次为涡扇、低压气压机、高压压气机、燃烧机、高压涡轮和低压涡轮。由于涡扇和低压压气机之间有向连接，根据预先定义的方向，设置超图矩阵中第1行第1列的元素的数值为-1；对应的，超图矩阵中第2行第1列的数值为1。同理，若设置超图矩阵中第1行第1列的元素的数值为1；对应的，超图矩阵中第2行第1列的数值为-1。
[0115]
需要说明的是，图5所示的超图矩阵中，非零元素设置为1/-1，实际应用中，可以根据实际需要，将非零元素设置为不同的数值，在此不做具体限定。
[0116]
可选的，ii步骤还可以包括：
[0117]
1、对所述训练检测数据进行归一化处理，获得归一化数据。
[0118]
为了剔出极端数据，需要对训练检测数据进行归一化处理。示例性的，可以根据公式进行归一化处理，其中，xnol为归一化处理后的数据，x为待处理数据，x
max
为相同属性数据中的最大值，x
min
为相同属性数据中的最小值。需要说明的是，通常归一化处理是针对同一个传感器获得的相同属性数据进行的。
[0119]
2、对所述归一化数据进行去噪处理，获得去噪数据。
[0120]
为了降低传感器检测数据中混入的噪声，提高检测准确度，本技术实施例中对数据进行去噪处理。可以采用现有的数据去噪处理方法，在此不做具体限定。
[0121]
示例性的，可以采用快速傅里叶变换去噪方法，根据公式进行数据去噪处理，其中，xk为去噪后的数据，k为傅里叶系数，n表示某个传感器采样的次数。
[0122]
3、根据所述超图矩阵中部件的排列顺序，对所述去噪数据进行排序，获得排序数据。
[0123]
示例性的，如图5中的(b)所示的超图矩阵，排列顺序为涡扇、低压气压机、高压压气机、燃烧机、高压涡轮和低压涡轮。相应的，涡扇对应的物理变量有f、a
fan
、v
exitfan
和p
fan
；低压压气机对应的物理变量有a
core
、v0、p0、p
core
和t
lpc
；将涡扇对应的物理变量的传感器检测数值排列在低压压气机对应的物理变量的传感器检测数值之前。
[0124]
4、将所述排序数据和所述超图矩阵输入所述检测模型进行训练，获得训练后的所述检测模型。
[0125]
本技术实施例中的检测模型可以包括超图卷积层、图聚合层和全连接层。
[0126]
可选的，检测模型中的超图卷积层可以采用残差卷积神经网络，图卷积神经网络、卷积神经网络、深度神经网络、随机森林模型、逻辑回归模型和支持向量机模型等。但相比而言，残差卷积神经网络的检测准确度更高。
[0127]
本技术实施例中，超图卷积层采用残差卷积神经网络，其数学模型如下：
[0128]
x
l+1
＝x
l
+f(x
l
,w
l
)；
[0129]
其中，f()代表残差卷积神经网络中对应的前向网络，l是残差卷积神经网络的层数，w
l
为第l层的权重，x
l
为第l层的数据，x
l+1
为第l+1层的数据。在残差卷积神经网络中，每一层的输出作为下一层的输入。
[0130]
残差卷积神经网络的迭代公式为：
[0131][0132]
其中，α
l
和β
l
为模型参数，i为单位矩阵，为代表超图矩阵，θ
l
表示第l层的卷积核。
[0133]
由于多个部件各自对应的传感器检测数据的维度可能不同，因此，需要通过图聚合层将各传感器检测数据聚合在一起。
[0134]
全连接层的迭代公式为：
[0135][0136]
其中，为图聚合后的向量，wo和bo分别为全连接层的权重和偏置项，y为全连接的输出。
[0137]
训练检测模型的终止条件，可以为迭代次数，也可以为损失值小于预设值。
[0138]
在训练过程中，可以将多组历史检测数据划分为训练检测数据和测试检测数据，利用训练检测数据训练检测模型，当达到训练终止条件时，利用测试检测数据测试训练后
的检测模型，以保证检测模型的检测精度。
[0139]
神经网络具有良好的学习能力，通过对上述检测模型的训练，使得训练后的检测模型能够较准确地识别设备中各部件之间的物理关系，进而保证检测结果的准确度。
[0140]
基于上述实施例所述的模型训练方法，获得训练后的检测模型，该模型用于设备故障检测。下面介绍故障检测流程。参见图6，是本技术实施例提供的检测方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
[0141]
s601，通过传感器获取待检测设备中各部件的实时检测数据。
[0142]
s602，根据所述实时检测数据和训练后的检测模型获得所述待检测设备的检测结果，其中，所述训练后的检测模型根据所述待检测设备的超图结构训练获得，所述超图结构的节点表示所述待检测设备的部件，所述超图结构的边表示所述待检测设备中各部件之间的物理关系。
[0143]
步骤s602中，也需要对实时检测数据进行预处理，预处理的过程与对训练检测数据进行预处理的过程相同，具体可参见上述步骤ii中的描述，在此不再赘述。
[0144]
本技术实施例中，通过超图结构表示待检测设备中各部件之间的关联关系，根据超图结构训练检测模型，相当于根据待检测设备中各部件之间的关联关系训练检测模型，这样可以保证训练后的检测模型能够自动识别传感器获取到的实时检测数据之间的关联关系，并根据该关联关系进行设备故障检测。通过上述方法，在设备故障检测时，充分考虑了设备中各部件之间的关联，有效提供了检测结果的准确度和可靠度。另外，检测模型可以离线训练，利用训练后的检测模型进行在线实时检测，这样可以大大节约检测时间，有效提高检测效率。
[0145]
应理解，上述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。
[0146]
对应于上文实施例所述的检测方法，图7是本技术实施例提供的检测装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0147]
参照图7，该装置包括：
[0148]
数据获取单元71，用于通过传感器获取待检测设备中各部件的实时检测数据。
[0149]
故障检测单元72，用于根据所述实时检测数据和训练后的检测模型获得所述待检测设备的检测结果，其中，所述训练后的检测模型根据所述待检测设备的超图结构训练获得，所述超图结构的节点表示所述待检测设备的部件，所述超图结构的边表示所述待检测设备中各部件之间的物理关系。
[0150]
可选的，装置7还包括：
[0151]
模型训练单元73，用于根据所述待检测设备中各部件之间的物理关系，生成所述待检测设备的超图结构；根据所述超图结构和多组训练数据训练所述检测模型，获得训练后的所述检测模型，其中，每组训练数据包括所述待检测设备中各部件的一组历史检测数据和标签类型。
[0152]
可选的，模型训练单元73还用于：
[0153]
根据所述待检测设备中各部件之间的物理关系，对所述待检测设备中各部件进行分组；
[0154]
根据每组中包含的部件生成一个子图结构；
[0155]
将所述子图结构生成所述待检测设备的超图结构。
[0156]
可选的，所述物理关系包括至少一个数学模型，每个数学模型包括至少2个物理变量，所述数学模型用于表示所述待检测设备的运行机理，所述物理变量的数值通过所述传感器获得。
[0157]
相应的，模型训练单元73还用于：
[0158]
根据所述物理变量和所述数学模型的所属关系，将所述物理变量进行分组；
[0159]
将每组中物理变量对应的部件划分为一组。
[0160]
可选的，模型训练单元73还用于：
[0161]
对于每个分组，若所述分组对应的所述物理变量的个数小于或等于所述数学模型的个数，则将所述分组中包含的部件生成第一子图，所述第一子图为有向的子图结构、且所述第一子图中每条边的一端最多连接一个节点；
[0162]
若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数大于或等于2，则将所述分组中包含的部件生成第二子图，所述第二子图为无向的子图结构、且所述第二子图中每条边的一端连接的节点个数为大于或等于0的正整数，其中，所述重合变量为所述分组对应的每个数学模型中均包含的物理变量；
[0163]
若所述分组对应的所述物理变量的个数大于所述数学模型的个数，且重合变量的个数小于2，则将所述分组中包含的部件生成第三子图，所述第三子图为有向的子图结构、且所述第三子图中每条边的一端连接的节点的个数为大于或等于0的正整数；
[0164]
所述子图结构中的边根据每组中包含的部件所属的数学模型确定。
[0165]
可选的，模型训练单元73还用于：
[0166]
根据所述超图结构生成超图矩阵；
[0167]
根据所述超图矩阵和多组训练数据训练所述检测模型，获得训练后的所述检测模型。
[0168]
可选的，所述超图矩阵的横坐标表示所述超图结构中边的编号，所述超图矩阵的纵坐标表示所述超图结构中节点的编号。
[0169]
相应的，模型训练单元73还用于：
[0170]
若所述超图结构中第i条边连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为非零预设值；
[0171]
若所述超图结构中第i条边未连接第j个节点，则将所述超图矩阵中第i行第j列的数值设置为0。
[0172]
可选的，模型训练单元73还用于：
[0173]
对所述训练检测数据进行归一化处理，获得归一化数据；
[0174]
对所述归一化数据进行去噪处理，获得去噪数据；
[0175]
根据所述超图矩阵中部件的排列顺序，对所述去噪数据进行排序，获得排序数据；
[0176]
将所述排序数据和所述超图矩阵输入所述检测模型进行训练，获得训练后的所述检测模型。
[0177]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此
处不再赘述。
[0178]
另外，图7所示的检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0179]
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。
[0180]
图8是本技术实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个检测方法实施例中的步骤。
[0181]
所述终端设备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、存储器。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8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。
[0182]
所称处理器80可以是中央处理单元(central processing unit，cpu)，该处理器80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。
[0183]
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8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81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81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81还可以用于暂时地存储已经输出或者将要输出的数据。
[0184]
本技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0185]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0186]
所述集成的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，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至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0187]
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。
[0188]
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。
[0189]
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。
[0190]
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。
[0191]
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。