本技术涉及数据处理，尤其涉及一种故障诊断方法、装置及电子设备。
背景技术：
1、随着工业自动化的发展，工业设备通常处于长时间运行状态，工业设备是一个结构和运行方式复杂的动态系统，工业设备的故障原因各种各样，当工业设备故障时，通常工业设备的故障原因与故障信号无直接关系，由此，为工业设备的故障排查增加了难度。
2、为了能够确定出工业设备的故障，通常采用在线监测设备对运行的工业设备进行监测，获得在线监测数据，确定出在线监测数据之后，为了从在线监测数据中获得工业设备的运行规律，从而基于运行规律分析出故障原因，需要从在线监测数据中确定出工业设备周期性的时域信号，再将该时域信号输入卷积神经网络中，提取出时域信号的时域特征，确定出时域特征之后，将时域特征与确定出的故障时域特征进行对比，当时域特征与故障时域特征一致时，将故障时域特征对应的故障原因作为工业设备的故障原因。
3、在上述卷积神经网络提取出时域特征的过程中，由于卷积神经网络只会提取出相关性较强的时域特征，该相关性较强为两个时域信号的采集时间点在规定间隔时间内，因此，卷积神经网络中的每个神经元只对部分的时域信号进行时域特征的提取，将部分时域信号的时域特征作为完整时域信号的时域特征，造成时域特征提取不完全。
4、若工业设备出现承轴故障，承轴故障对应的时域信号为冲击信号，而卷积神经网络只提取部分时域信号的时域特征，存在该冲击信号对应的时域特征采集不完全的问题，当该冲击信号对应的时域特征未提取出来时，根据卷积神经网络提取出的时域特征将无法确定出承轴故障，将导致工业设备的故障检测不准确。
技术实现思路
1、本技术提供了一种故障诊断方法、装置及电子设备，用于提高待检测设备的故障诊断的准确性。
2、第一方面，本技术提供了一种故障诊断方法，所述方法包括：
3、获得待检测设备的时域信号与频域信号；
4、将所述时域信号与所述频域信号输入卷积神经网络中进行特征提取，得到时域特征向量以及频域特征向量；
5、将所述时域特征向量与所述频域特征向量分别输入对比学习模型中进行训练，得到第一特征向量与第二特征向量；
6、将所述第一特征向量与所述第二特征向量输入映射网络中，得到所述待检测设备的故障原因与故障概率。
7、通过上述的方法，确定出待检测设备的时域特征向量以及频域特征向量，实现了待检测设备在运行时的不同特征类型的特征提取，以及基于对比学习模型学习不同类型的特征，使得对比学习模型能够准确的识别不同类型的特征，从而能够提高待检测设备的故障诊断的准确性。
8、在一种可能的设计中，将所述时域特征向量与所述频域特征向量分别输入对比学习模型中进行训练，得到第一特征向量与第二特征向量，包括：
9、将所述时域特征向量与所述频域特征向量进行拼接，得到时频特征向量；
10、将所述时频特征向量进行特征增强处理，得到第一时频特征向量与第二时频特征向量；
11、将所述第一时频特征向量输入所述对比学习模型中进行训练，得到第一特征向量；以及
12、将所述第二时频特征向量输入所述对比学习模型中进行训练，得到第二特征向量。
13、通过上述的方法，基于对比学习模型学习时域特征向量以及时域特征向量，使得对比学习模型能够准确的识别出时域特征以及频域特征，确保了对比学习模型的学习准确性。
14、在一种可能的设计中，将所述时频特征向量进行特征增强处理，得到第一时频特征向量与第二时频特征向量，包括：
15、对所述时频特征向量进行掩码处理，得到包含第一掩码的第一时频特征向量以及包含第二掩码的第二时频特征向量，其中，所述第一掩码与所述第二掩码会替换所述时频特征向量的部分特征向量。
16、通过上述的方法，对时域特征向量以及频域特征向量进行掩码处理，防止对比学习模型对时域特征向量以及频域特征向量中的部分特征过于依赖，有利于提高对比学习模型的泛化能力。
17、在一种可能的设计中，在将所述时域特征向量与所述频域特征向量分别输入对比学习模型中进行训练，得到第一特征向量与第二特征向量之后，还包括：
18、将所述第一特征向量与所述第二特征向量带入损失值算法中，计算出所述对比学习模型对应的损失值；
19、基于所述损失值调整所述对比学习模型的模型参数，得到目标对比学习模型。
20、通过上述的方法，通过损失值调整对比学习模型的模型参数，得到目标对比学习模型，实现了对比学习模型的自动优化，有利于提高待检测设备的故障诊断的准确性。
21、在一种可能的设计中，将所述第一特征向量与所述第二特征向量输入映射网络中，得到故障原因与故障概率，包括：
22、将所述第一特征向量与所述映射网络中存储的所有故障特征向量进行匹配，以及将所述第二特征向量与所述所有的故障特征向量进行匹配；
23、计算出所述第一特征向量与各个故障特征向量之间的向量相似度，从所有的向量相似度中筛选出最大向量相似度，输出所述最大向量相似度对应的故障原因以及故障概率；和/或
24、计算出所述第二特征向量与各个故障特征向量之间的向量相似度，从所有的向量相似度中筛选出最大向量相似度，输出所述最大向量相似度对应的故障原因以及故障概率。
25、通过上述的方法，通过映射网络建立特征向量与故障原因之间的关系，从而得到第一特征向量对应的故障原因与故障概率，以及得到第二特征向量对应的故障原因与故障概率，实现了对待检测设备的故障诊断。
26、第二方面，本技术提供了一种故障诊断装置，所述装置包括：
27、获得模块，用于获得待检测设备的时域信号与频域信号；
28、特征模块，用于将所述时域信号与所述频域信号输入卷积神经网络中进行特征提取，得到时域特征向量以及频域特征向量；
29、对比模块，用于将所述时域特征向量与所述频域特征向量分别输入对比学习模型中进行训练，得到第一特征向量与第二特征向量；
30、故障模块，用于将所述第一特征向量与所述第二特征向量输入映射网络中，得到所述待检测设备的故障原因与故障概率。
31、在一种可能的设计中，所述对比模块，具体用于将所述时域特征向量与所述频域特征向量进行拼接，得到时频特征向量，将所述时频特征向量进行特征增强处理，得到第一时频特征向量与第二时频特征向量，将所述第一时频特征向量输入所述对比学习模型中进行训练，得到第一特征向量，以及将所述第二时频特征向量输入所述对比学习模型中进行训练，得到第二特征向量。
32、在一种可能的设计中，所述对比模块，还用于对所述时频特征向量进行掩码处理，得到包含第一掩码的第一时频特征向量以及包含第二掩码的第二时频特征向量。
33、在一种可能的设计中，所述对比模块，还用于将所述第一特征向量与所述第二特征向量带入损失值算法中，计算出所述对比学习模型对应的损失值，基于所述损失值调整所述对比学习模型的模型参数，得到目标对比学习模型。
34、在一种可能的设计中，所述故障模块，具体用于将所述第一特征向量与所述映射网络中存储的所有故障特征向量进行匹配，以及将所述第二特征向量与所述所有的故障特征向量进行匹配，计算出所述第一特征向量与各个故障特征向量之间的向量相似度，从所有的向量相似度中筛选出最大向量相似度，输出所述最大向量相似度对应的故障原因以及故障概率，和/或计算出所述第二特征向量与各个故障特征向量之间的向量相似度，从所有的向量相似度中筛选出最大向量相似度，输出所述最大向量相似度对应的故障原因以及故障概率。
35、第三方面，本技术提供了一种电子设备，包括：
36、存储器，用于存放计算机程序；
37、处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种故障诊断方法步骤。
38、第四方面，一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种故障诊断方法步骤。
39、上述第一方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。