本技术涉及工业自动化设备故障诊断，尤其涉及一种故障监测方法、系统、电子设备及存储介质。
背景技术：
1、随着工业和智能制造的快速发展，工厂自动化程度不断提高，自动化设备在制造中发挥着至关重要的作用，被广泛应用于汽车制造、食品加工等领域。然而，在实际运行过程中，自动化设备中的各种器件因受到长期负载、环境变化、机械磨损等因素的影响，可能出现各种故障，进而影响设备的运行稳定性和生产效率。因此，对设备中器件故障进行精准有效监测，以实现故障的快速修复，是保证设备稳定运行和设备生产效率的关键。
2、在相关技术中，由于深度学习技术在知识发现和特征感知方面的突出潜力，对于设备中各种器件的故障监测，通常采用深度学习技术实现，用于识别不同的故障，即在云端离线学习器件在各种故障下的运行信号的特征构建故障监测模型，利用该故障监测模型在线识别器件的未知故障，摆脱了故障识别中对先验知识的依赖，一定程度上提升了故障监测可靠性。然而，在实际工业场景中，单纯依赖云端训练的故障监测模型进行故障监测，在监测精度及效率方面仍存在不足。
技术实现思路
1、鉴于以上缺点，本技术公开了一种故障监测方法、系统、电子设备及存储介质，用于解决器件故障监测的精度与效率较低的技术问题。
2、第一方面，本技术提供了一种故障监测方法，所述方法包括：获取待测器件的目标运行信号；将所述目标运行信号输入预先部署的故障监测模型进行故障识别，获得故障监测结果，所述故障监测结果包括所述待测器件处于正常状态及不同故障模式的概率；所述故障监测模型通过云边协同架构对源域数据集与目标域数据集进行跨域特征融合训练获得，所述云边协同架构包括部署在云端的多源域特征提取网络与部署在边缘端的跨域特征融合网络，所述多源域特征提取网络用于从所述源域数据集与所述目标域数据集中提取故障特征，所述跨域特征融合网络用于对提取出的多个故障特征进行跨域融合，所述源域数据集包括多个器件分别在多种工况下运行获得的标有故障模式标签的运行信号，所述目标域数据集包括所述待测器件在当前工况下运行获得的无故障模式标签的运行信号。
3、于本技术一实施例中，所述故障监测模型的生成方式，包括：利用所述多源域共享特征提取网络，从所述源域数据集中提取共享故障特征，以及从所述目标域数据集中提取所述待测器件的专属故障特征，所述共享故障特征用于将所述源域数据集中的故障知识迁移至不同待测器件的所述专属故障特征中；利用所述跨域特征融合网络，对所述共享故障特征与所述专属故障特征进行跨域融合，获得融合故障特征；根据所述融合故障特征进行故障分类学习，并以最小化分类损失为目标，迭代训练所述多源域共享特征提取网络与所述跨域特征融合网络，直至达到预设的迭代停止条件时，获得所述故障监测模型。
4、于本技术一实施例中，所述从所述源域数据集与所述目标域数据集中提取故障特征，包括：根据卷积神经子网络中的第一卷积权重矩阵与偏置权重矩阵，对所述源域数据中的每一源域数据进行卷积操作，获得多个源域故障特征，以及对所述目标域数据集中的每一目标域数据进行卷积操作，获得多个目标域故障特征，所述多源域共享特征提取网络包括所述卷积神经子网络，所述第一卷积权重矩阵与所述偏置权重矩阵为学习参数；根据所述多个源域故障特征构建共享故障特征，以及根据所述多个目标域故障特征构建所述待测器件的专属故障特征，完成故障特征的提取。
5、于本技术一实施例中，所述多个源域故障特征与所述多个目标域故障特征的提取方式，还包括：对所述源域数据集中的每一源域数据进行特征分析，确定每一源域数据的第一卷积权重因子，以及对所述目标域数据集中的每一目标域数据进行特征分析，确定每一目标域数据的第二卷积权重因子；利用所述第一卷积权重因子对所述第一卷积权重矩阵进行调控，以及利用所述第二卷积权重因子对所述第一卷积权重矩阵进行调控；根据调控后的所述第一卷积权重矩阵与所述偏置权重矩阵，进行所述多个源域故障特征与所述多个目标域故障特征的提取。
6、于本技术一实施例中，所述对所述多源域特征提取网络提取出的多个故障特征进行跨域融合，包括：获取所述多源域特征提取网络提取出的共享故障特征与所述待测器件的专属故障特征；根据所述共享故障特征与所述专属故障特征构建故障特征图；根据图卷积子网络中的第二卷积权重矩阵，对所述故障特征图进行卷积操作，完成所述多个故障特征的跨域融合，所述跨域特征融合网络包括所述图卷积子网络，所述第二卷积权重矩阵为学习参数。
7、于本技术一实施例中，所述根据所述共享故障特征与所述专属故障特征构建故障特征图，包括：获取所述源域数据集中每一源域数据的第一卷积权重因子以及所述目标域数据集中每一目标域数据的第二卷积权重因子；计算每一所述第一卷积权重因子分别与每一所述第二卷积权重因子的相似性，构建权重因子相似性矩阵；根据所述权重因子相似性矩阵，将所述共享故障特征中的多个源域故障特征与所述专属故障特征中的多个目标域故障特征整合为所述故障特征图。
8、于本技术一实施例中，所述对所述故障特征图进行卷积操作，完成所述多个故障特征的跨域融合，还包括：根据所述权重因子相似性矩阵确定跨域融合因子；根据所述第二卷积权重矩阵与所述跨域融合因子，对所述故障特征图进行卷积操作，完成所述多个故障特征的跨域融合。
9、第二方面，本技术提供了一种故障监测系统，所述系统包括：信号采集模块，用于获取待测器件的目标运行信号；故障监测模块，用于将所述目标运行信号输入预先部署的故障监测模型进行故障识别，获得故障监测结果，所述故障监测结果包括所述待测器件处于正常状态及不同故障模式的概率；所述故障监测模型通过云边协同架构对源域数据集与目标域数据集进行跨域特征融合训练获得，所述云边协同架构包括部署在云端的多源域特征提取网络与部署在边缘端的跨域特征融合网络，所述多源域特征提取网络用于从所述源域数据集与所述目标域数据集中提取故障特征，所述跨域特征融合网络用于对提取出的多个故障特征进行跨域融合，所述源域数据集包括多个器件分别在多种工况下运行获得的标有故障模式标签的运行信号，所述目标域数据集包括所述待测器件在当前工况下运行获得的无故障模式标签的运行信号。
10、第三方面，本技术提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如第一方面所述的故障监测。
11、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序被计算机的处理器执行时，使计算机执行如第一方面所述的故障监测。
12、如上，本技术实施例提供的一种故障监测、系统、电子设备及存储介质，具有以下有益效果：
13、首先获取待测器件的目标运行信号，然后将目标运行信号输入预先部署的故障监测模型进行故障识别，获得故障监测结果，其中，故障监测结果包括待测器件处于正常状态及不同故障模式的概率，故障监测模型通过云边协同架构对源域数据集与目标域数据集进行跨域特征融合训练获得，云边协同架构包括部署在云端的多源域特征提取网络与部署在边缘端的跨域特征融合网络，多源域特征提取网络用于从源域数据集与目标域数据集中提取故障特征，跨域特征融合网络用于对提取出的多个故障特征进行跨域融合，源域数据集包括多个器件分别在多种工况下运行获得的标有故障模式标签的运行信号，目标域数据集包括待测器件在当前工况下运行获得的无故障模式标签的运行信号，通过云边协同架构实现跨域特征融合训练，全面考虑了多源域的故障特征与目标域的故障特征，提高了故障监测模型的监测性能和鲁棒性，而且将构建的故障监测模型部署在边缘端进行本地化故障监测，避免了基于云端实现故障监测时因数据传输带来的迟延问题，从而提升了工业自动化设备中器件故障监测的精度与效率。
14、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。