基于动态加权的双模型故障诊断方法

摘要

本发明公开了一种基于动态加权的双模型故障诊断方法，步骤为：选择电机驱动端采集的正常状态以及各种故障状态下的传感器振动信号和故障记录文本；然后分别对传感器振动信号和故障记录文本进行学习，然后使用动态加权组合算法，为子模型赋予权值，将子模型的SVM多分类投票结果相结合，得到最终的分类结果。本发明能够实现通过轴承故障数据和轴承故障文本两方面的共同诊断。既完成了装备运行数据进行非平衡处理、有价值信息提取与分类，又有效结合工人记录的经验性知识进行文本数据挖掘，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

权利要求

1.一种基于动态加权的双模型故障诊断方法，其特征在于，包括下述步骤：步骤1 选择电机驱动端采集的正常状态FT0、磨损状态FT1、疲劳剥落状态FT2、腐蚀状态FT3、断裂状态FT4、胶合状态FT5、压痕状态FT6和保持架损坏状态FT7这8种状态下的传感器振动信号数据点和故障记录文本；

步骤2 对步骤(1)中得到的传感器振动信号数据点使用小波包分解法进行预处理，将原始振动信号各频段的能量值，提取参数特征作为模型输入向量，同时将预处理后的数据进行非平衡处理，并分成训练数据集和测试数据集，从训练数据集中分别随机抽取5组等量正常样例与5组递减的故障样例合并形成不同训练样本，同时对所述的测试数据集进行标签化处理；

步骤3 将步骤2中的训练样本输入第一层受限玻尔兹曼机RBM，对深度信念网络DBN中所有RBM进行由第1层到第n-1层的逐层贪婪学习，由ELM算法确定第n-1层到第n层以及第n层到输出层的权重和偏置；

步骤4 将步骤2中的有标签数据和步骤3中经过DBN训练的无标签数据作为输入向量输入到SVM分类器中；

步骤5 使用ELM算法对步骤3中DBN网络的参数进行反向微调，DBN训练结束，至此完成对传感器振动信号数据点的处理过程，并得到相应的分类结果，形成数据子模型；

步骤6 对步骤1中的故障记录文本进行预处理，包括分词、去停用词、中文提取操作，将所得故障词项划分为训练数据集和测试集，将训练数据集文本等分为5组，并对测试集文本进行标签化处理；

步骤7 运用LDA主题模型对步骤6中的训练数据集的故障词项进行主题表达，将其表示为文档-主题的形式；

步骤8 将步骤6中的有标签故障文本和步骤7经过文本数据挖掘模型训练的无标签故障文本作为输入向量输入到SVM分类器中，至此完成对故障记录文本的处理过程，并得到相应的分类结果，形成文本子模型；

步骤9 使用动态加权组合算法，为上述的数据子模型和文本子模型赋予权值，然后将数据子模型和文本子模型的SVM多分类投票结果通过所提动态加权组合公式相结合，得到最终的分类结果。

2.根据权利要求1所述的基于动态加权的双模型故障诊断方法，其特征在于所述步骤5中ELM反向微调方式为：

1)令DBN网络的第n个隐层节点个数为p，第n-1个隐层节点个数为m，则该DBN可以表示为：DBN网络的训练目的是将输出误差最小化，可以表示为：存在βi使得：

即为：

Hnβ＝T

式中，Hn为DBN网络的第n-1层到第n层的输出；

2)输出权值可解为：

式中， 是Hn的Moore-Penrose广义逆矩阵。

3.根据权利要求1所述的基于动态加权的双模型故障诊断方法，其特征在于所述步骤9中动态加权组合算法为：设y1为快收敛的DBN模型，y2为文本数据挖掘模型，yim为第i个模型中的第m个类别投票累计次数，h1,h2,...,hk为进行模型加权后相对应类别的加权投票累计数，Wi为模型i的权值；

模型的加权组合计算公式为：

式中，有：

在模型分类期间，需要根据子模型诊断结果随时动态更新子模型权重，更新方式如下：其中 为第i个模型的方差：

式中 为第i个模型的平均投票累计次数；

1)分别选取快收敛的DBN模型和文本数据挖掘模型中每个故障类别的投票数作为计算对象，通过公式 计算模型权值W1和W2；

2)通过公式 计算加权组合后的分类结果h1,h2,...,hk。

说明书

基于动态加权的双模型故障诊断方法

技术领域

[0001] 本发明涉及轴承设备故障诊断技术领域，尤其涉及一种基于动态加权的双模型故障诊断方法。

背景技术

[0002] 近年来，随着科学技术的进步和现代化生产的发展，以制造业为核心的技术革命成为大国竞争的关键。各国都极度重视制造业的发展：德国提出“工业4.0”战略，被誉为以智能制造为核心的第四次工业革命；美国提出“先进制造业国家战略计划”，通过多种方式发展制造业；同时，英国提出“高价值制造业战略”、法国提出“新工业法国”、日本提出“产业复兴计划”等。中国作为全球制造业中心，也提出制造强国战略，制定了“中国制造2025”。智能制造作为《中国制造2025》的重点方向，是推动中国制造业走向世界前列的重要方式。因此，加快对智能装备和产品的制造，促进制造过程的智能化发展，运用大数据等先进技术理念推动智能制造发展，已经成为大势所趋。

[0003] 随着制造业中大型机械装备在生产过程中不断涌现出海量数据，如何快速高效地分析提取数据中蕴含的故障信息，并借助大数据分析方法对故障进行有效诊断，降低装备故障带来的停产损失或减少人员伤害，已成为智能制造领域的研究热点。装备数据分为运行数据和人工检测数据。装备运行数据包括在线监测、带电检测、预防性试验数据等；人工检测数据是工人在对装备维护过程中记录下的文本信息，包括运行状况、维修保养、故障情况等。随着大数据、人工智能的发展，基于数据驱动和文本驱动的机器学习方法在装备故障诊断领域均得到广泛应用。但是，二者均却仍存在以下不足：基于数据驱动的故障诊断方法存在无法融入经验性知识、数据不平衡以及大规模训练集训练收敛时间过长等问题，使得单独依靠数据驱动模型无法获得较好的诊断效果；基于文本驱动的故障诊断方法存在多次运算结果不稳定、差异较大、对数据敏感且容易发生过拟合等问题，使得仅利用文本驱动模型难以达到理想准确率。因此，多种智能诊断方法相结合的方式，已成为故障诊断领域新的研究热点和发展方向。

发明内容

[0004] 为了解决上述问题，本发明提供一种基于动态加权的双模型故障诊断方法，该方法克服了海量运行数据非平衡、难以分析、高维度的缺点和未利用经验性知识的不足，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

[0005] 本发明所采取的技术方案为：

[0006] 一种基于动态加权的双模型故障诊断方法，包括下述步骤：

[0007] 步骤1选择电机驱动端采集的正常状态FT0、磨损状态FT1、疲劳剥落状态FT2、腐蚀状态FT3、断裂状态FT4、胶合状态FT5、压痕状态FT6和保持架损坏状态FT7这8种状态下的传感器振动信号数据点和故障记录文本；

[0008] 步骤2对步骤1中得到的传感器振动信号数据点使用小波包分解法进行预处理，将原始振动信号各频段的能量值，提取参数特征作为模型输入向量，同时将预处理后的数据进行非平衡处理，并分成训练数据集和测试数据集，从训练集中分别随机抽取5组等量正常样例与5组递减的故障样例合并形成不同训练样本，同时对所述的测试数据集进行标签化处理；

[0009] 步骤3将步骤2中的训练数据输入第一层受限玻尔兹曼机RBM，对深度信念网络DBN中所有RBM进行由第1层到第n-1层的逐层贪婪学习，由ELM方法确定第n-1层到第n层以及第n层到输出层的权重和偏置；

[0010] 步骤4将步骤2中的有标签数据和步骤3中经过DBN训练的无标签数据作为输入向量训练SVM分类器；

[0011] 步骤5使用ELM算法对步骤3中DBN网络的参数进行反向微调，DBN训练结束，至此完成对传感器振动信号数据点的处理过程，并得到相应的分类结果，形成数据子模型；

[0012] 步骤6对步骤1中的故障记录文本进行预处理，包括分词、去停用词、中文提取操作，将所得故障词项划分为训练集和测试集，将训练集文本等分为5组，并对测试集文本进行标签化处理；

[0013] 步骤7运用LDA主题模型对步骤6中的训练集的故障词项进行主题表达，将其表示为文档-主题的形式；

[0014] 步骤8将步骤6中的有标签故障文本和步骤7经过文本数据挖掘模型训练的无标签故障文本作为输入向量输入到SVM分类器中，至此完成对故障记录文本的处理过程，并得到相应的分类结果，形成文本子模型；

[0015] 步骤9使用动态加权组合算法，为上述的数据子模型和文本子模型赋予权值，然后将数据子模型和文本子模型的SVM多分类投票结果通过所提动态加权组合公式相结合，得到最终的分类结果。

[0016] 基于上述动态加权的双模型故障诊断方法，将轴承故障振动信号经小波包分解和非平衡处理得到的故障参数特征向量以及轴承故障文本经预处理得到的故障词项作为输入，能够有效解决装备故障诊断中海量运行数据非平衡性和高维度性等缺陷，提取故障特征并输出故障类型，从而实现轴承设备状态特征实时提取和故障的可靠分类。

[0017] 其中，所述步骤5中ELM反向微调方式为：

[0018] 1)令DBN网络的第n个隐层节点个数为p，第n-1个隐层节点个数为m，则该DBN可以表示为：

[0019]

[0020] DBN网络的训练目的是将输出误差最小化，可以表示为：

[0021]

[0022] 存在βi使得：

[0023]

[0024] 即为：

[0025] Hnβ＝T

[0026] 式中，Hn为DBN网络的第n-1层到第n层的输出；

[0027] 2)输出权值可解为：

[0028]

[0029] 式中是Hn的Moore-Penrose广义逆矩阵；

[0030] 步骤9中动态加权组合算法为：

[0031] 设y1为快收敛的DBN模型，y2为文本数据挖掘模型，yim为第i个模型中的第m个类别投票累计次数，h1,h2,...,hk为进行模型加权后相对应类别的加权投票累计数，Wi为模型i的权值。

[0032] 模型的加权组合计算公式为：

[0033]

[0034] 式中，有：

[0035]

[0036] 在模型分类期间，需要根据子模型诊断结果随时动态更新子模型权重，更新方式如下：其中 为第i个模型的方差：

[0037]

[0038] 其中 为第i个模型的方差：

[0039]

[0040] 式中 为第i个模型的平均投票累计次数。

[0041] 1)分别选取快收敛的DBN模型和文本数据挖掘模型中每个故障类别的投票数作为计算对象，通过公式 计算模型权值W1和W2；

[0042] 2)通过公式 计算加权组合后的分类结果h1,h2,...,hk。

[0043] 本发明的有益效果为：

[0044] 本发明首先利用快速收敛优化的DBN网络对装备运行数据进行特征模式提取，并通过SVM分类得到相应的分类结果。然后利用主题模型文本挖掘对轴承故障文本进行特征提取，并通过SVM分类得到相应分类结果。最后，提出动态加权组合算法，为子模型赋予权值并随时修正，将子模型的SVM多分类投票结果相结合，实现利用轴承故障数据和轴承故障文本的双重诊断，从而得到最终的分类结果。该方法克服了海量运行数据非平衡、难以分析、高维度的缺点和未利用经验性知识的不足，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

[0045] 另外，本发明通过动态加权方式，为子模型赋予权值，并将快收敛的DBN模型和文本数据挖掘模型的分类结果相结合，实现通过轴承故障数据和轴承故障文本两方面的共同诊断。既完成了装备运行数据进行非平衡处理、有价值信息提取与分类，又有效结合工人记录的经验性知识进行文本数据挖掘，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

附图说明

[0046] 下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0047] 图1是本发明基于动态加权的双模型故障诊断方法结构图；

[0048] 图2是本发明基于动态加权的双模型故障诊断方法流程图；

[0049] 图3是本发明具体轴承设备故障诊断过程图；

[0050] 图4是非平衡数据处理算法中不同k值与模型分类效果关系图；

[0051] 图5为不同主题数对文本数据挖掘模型F值的影响；

[0052] 图6为五种算法的训练精度和训练时间的模型性能对比图；

具体实施方式

[0053] 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。

[0054] 如图1-2所示，一种基于动态加权的双模型故障诊断方法，包括下述步骤：

[0055] (1)选择电机驱动端采集的正常状态(FT0)、磨损状态(FT1)、疲劳剥落状态(FT2)、腐蚀状态(FT3)、断裂状态(FT4)、胶合状态(FT5)、压痕状态(FT6)和保持架损坏状态(FT7)这8种状态下的传感器振动信号和故障记录文本，采样频率为12000HZ，转轴旋转一圈，传感器约采集1028个数据点；

[0056] (2)对步骤(1)中的传感器振动信号进行预处理，使用小波包分解原始振动信号各频段的能量值，提取参数特征作为模型输入向量。对经预处理后的数据进行非平衡处理，并分成训练数据集和测试数据集，从训练集中分别随机抽取5组等量正常样例与5组递减的故障样例合并形成不同训练样本，同时对测试数据集进行标签化处理；

[0057] (3)将训练数据输入第一层受限玻尔兹曼机RBM，对深度信念网络DBN中所有RBM进行由第1层到第n-1层的逐层贪婪学习，由ELM方法确定第n-1层到第n层以及第n层到输出层的权重和偏置；

[0058] (4)将步骤(2)中的有标签数据和步骤(3)中经过DBN训练的无标签数据作为输入向量训练SVM分类器；

[0059] (5)使用ELM算法对步骤3中DBN网络的参数进行反向微调，DBN训练结束，至此完成对传感器振动信号数据点的处理过程，并得到相应的分类结果，形成数据子模型；

[0060] (6)对步骤1中的故障记录文本进行预处理，包括分词、去停用词、中文提取操作，将所得故障词项划分为训练集和测试集，将训练集文本等分为5组，并对测试集文本进行标签化处理；

[0061] (7)运用LDA主题模型对步骤6中的训练集的故障词项进行主题表达，将其表示为文档-主题的形式；

[0062] (8)将步骤6中的有标签故障文本和步骤7经过文本数据挖掘模型训练的无标签故障文本作为输入向量输入到SVM分类器中，至此完成对故障记录文本的处理过程，并得到相应的分类结果，形成文本子模型；

[0063] (9)使用动态加权组合算法，为上述的数据子模型和文本子模型赋予权值，然后将数据子模型和文本子模型的SVM多分类投票结果通过所提动态加权组合公式相结合，得到最终的分类结果。

[0064] 基于上述步骤，基于动态加权的双模型故障诊断方法通过动态加权方式，为子模型赋予权值，并将快收敛的DBN模型和文本数据挖掘模型的分类结果相结合，实现从轴承故障数据和轴承故障文本两方面对故障的共同诊断。既实现了装备运行数据进行非平衡处理、有价值信息提取与分类，又有效结合工人记录的经验性知识进行文本数据挖掘，相比单一诊断模型，本方法可显著提高故障诊断精度，获得更好的性能评价指标，具有较好的理论和应用价值。

[0065] 其中，所述步骤(5)中ELM反向微调方式为：

[0066] 1)令DBN网络的第n个隐层节点个数为p，第n-1个隐层节点个数为m，则该DBN可以表示为：

[0067]

[0068] DBN网络的训练目的是将输出误差最小化，可以表示为：

[0069]

[0070] 存在βi使得：

[0071]

[0072] 即为：

[0073] Hnβ＝T

[0074] 式中，Hn为DBN网络的第n-1层到第n层的输出；

[0075] 2)输出权值可解为：

[0076]

[0077] 式中是Hn的Moore-Penrose广义逆矩阵；

[0078] 步骤(9)中动态加权组合算法为：

[0079] 设y1为快收敛的DBN模型，y2为文本数据挖掘模型，yim为第i个模型中的第m个类别投票累计次数，h1,h2,...,hk为进行模型加权后相对应类别的加权投票累计数，Wi为模型i的权值。

[0080] 模型的加权组合计算公式为：

[0081]

[0082] 式中，有：

[0083]

[0084] 在模型分类期间，需要根据子模型诊断结果随时动态更新子模型权重，更新方式如下：其中 为第i个模型的方差：

[0085]

[0086] 其中 为第i个模型的方差：

[0087]

[0088] 式中 为第i个模型的平均投票累计次数。

[0089] 1)分别选取快收敛的DBN模型和文本数据挖掘模型中每个故障类别的投票数作为计算对象，通过公式 计算模型权值W1和W2；

[0090] 2)通过公式 计算加权组合后的分类结果h1,h2,...,hk。

[0091] (10)基于上述动态加权的双模型故障诊断方法，将轴承故障振动信号经小波包分解和非平衡处理得到的故障参数特征向量，以及轴承故障文本经预处理后得到的故障词项作为输入，能够有效解决装备故障诊断中海量运行数据非平衡性和高维度性等缺陷，提取故障特征并输出故障类型，从而实现轴承设备状态特征实时提取和故障的可靠分类。

[0092] 实施例

[0093] 基于动态加权的双模型故障诊断方法的试验验证：

[0094] 1、数据描述

[0095] 如图3-6所示，实验以某公司提供的轴承振动数据和故障记录文本为例，选取了在使用过程中受到磨损并出现局部故障的滚动轴承样本，主要的故障类型为：磨损、疲劳剥落、腐蚀、断裂、胶合、压痕和保持架损坏七种。将滚动轴承的内圈故障状态下不同损伤程度的故障样本记为FT1、FT2、FT3、FT4、FT5、FT6、FT7。选择电机驱动端振动传感器采集的正常状态(FT0)、磨损状态(FT1)、疲劳剥落状态(FT2)、腐蚀状态(FT3)、断裂状态(FT4)、胶合状态(FT5)、压痕状态(FT6)和保持架损坏状态(FT7)这8种状态下的振动信号，采样频率为12000HZ，转轴旋转一圈，传感器约采集1028个数据点，并对原始振动信号使用小波包分解各频段的能量值，提取合适的参数特征以区分不同类别。针对每一类故障数据抽取故障样本，随机进行采集，数量为200个。其中，150故障数据个作为每个故障类别的训练样本，50个作为每个故障类别的测试样本，检验模型的诊断效果。具体故障数据样本描述及分布如表1所示。同时选取8种状态下的轴承故障记录文本，故障文本分布和故障文本描述分别如表2和表3所示。其中，对故障数据按照不平衡比由高到低，分别随机抽样180、140、100、60、20个样例与200个正常样例合并形成5组不同训练样本，如表4所示；对故障文本总共抽取420个文本，并分为5个文本集，每个文本集包含60个训练文本，24个测试文本，如表5所示。本文实验均在Windows 7 64位系统Intel-I5CPU计算机Matlab2015b平台下完成。

[0096] 表1轴承故障数据描述及分布

[0097]

[0098]

[0099] 表2故障记录文本分布

[0100]

[0101] 表3故障记录文本描述

[0102]

[0103] 表4故障数据集

[0104]

[0105] 表5故障文本集

[0106]

[0107] 2、模型结构

[0108] 1)非平衡数据处理方法参数确定

[0109] 为确定非平衡数据处理算法中的k值，需要根据计算不同k值所对应的G-mean值来确定。将k的取值范围定于1到12之间进行讨论，训练集的实验结果如图4所示，G-mean值越大表明分类性能越好，由于计算开销随k值增加而加大，综合考虑计算开销、G-mean和计算时间后，可得5个训练集的最优k值分别取为：11、9、9、7、8。

[0110] 2)确定快收敛DBN模型网络深度

[0111] DBN网络结构的深度对于模型效果有较大影响，若数目选择过小，则可能导致特征提取不准确、分类效果欠佳。随着深度的增加，误差将逐渐减小，但计算复杂度成倍增大。因此，选择合适的网络深度，既可以满足准确性要求，又能够较好的节约成本。本文通过实验的方式，确定使轴承故障诊断模型合适的网络深度。

[0112] 此处初始数据样本长度有1028个数据点，故选取1000为隐藏层节点数。网络其余的参数设置为：迭代次数为100，学习率为0.1。选取7种故障状态样本，针对网络层数从1层开始逐渐增加，实验结果如表6所示。

[0113] 表6不同网络深度对性能的影响

[0114]

[0115] 可以发现，随着网络层数目的增加，时间成本逐渐增加，网络性能有所提升，但层数增加到一定数量，性能反而下降。因此，选取网络深度为4层，此时的网络性能最佳。该现象出现的原因可能为：随着网络层数的递增，误差在反向微调的过程中逐渐加大，运算复杂度也相应增加，使得效率下降。

[0116] 3)LDA主题模型参数

[0117] 在对故障文档矩阵进行LDA主题建模前，需要确定主题数目K、α值、β值以及Gibbs迭代次数。令初始参数K＝5，α＝50/K，β＝0.01，Gibbs采样的迭代次数为1000次。本节使用F度量值来确定主题数K的变化对主题模型的影响，从而确定最佳K值。将K的取值范围定于5～40之间进行讨论，在训练集中的实验结果如图5所示，F值越大表明主题模型性能越好，综合考虑F值与计算量后，可得最优K值选取为20。所以本实验最后选取的参数为：K＝20，α＝2.5，β＝0.01，Gibbs采样的迭代次数为1000次。

[0118] 3、结果分析

[0119] 将8种不同故障状态下的训练样本，分别使用本发明提出的基于动态加权的双模型故障诊断方法同其子模型分别对比，进一步的同BP算法、SVM进行对比，并使用测试样本测试模型诊断效果，记录10次试验的准确率和运行时间并求取平均值，对比结果如表7所示。

[0120] 表7故障诊断结果比较

[0121]

[0122] 由表7可得，本发明所提基于动态加权的双模型故障诊断方法在模型准确率方面基本优于其他四种算法，运行时间与快收敛DBN算法和文本数据挖掘算法基本相同。从模型诊断准确率方面来看，在训练阶段达到95.25％，在测试阶段达到91.36％，可见提出的基于动态加权的双模型故障诊断方法由于对其子模型进行了动态加权结合，通过故障数据和故障文本两方面进行诊断，增加了模型可靠性，因此使得模型故障诊断精度有了一定程度的提高。从模型运行时间方面来看，，提出的基于动态加权的双模型故障诊断方法由于需要对其子模型结果进行动态加权组合，使得训练时间和测试时间略高于快收敛DBN模型和文本数据挖掘模型，但几乎相差无几，因此基于动态加权的双模型故障诊断方法在提高精度的同时，也保证了较少的运算时间，图6为五种算法的训练精度和训练时间的模型性能对比图。

[0123] 由此可见，本发明所提基于动态加权的双模型故障诊断方法与传统方法相比在模型精度和运行时间方面均具有优势。所提方法既可对装备运行数据进行非平衡处理、有效信息的提取与分类，又有效结合人工检测数据的经验性知识进行文本数据挖掘，具有较好的理论和应用价值。

[0124] 4、结论

[0125] 针对装备故障诊断中海量运行数据中非平衡性和高维度性等特点，以及各个单一诊断模型之间彼此独立而忽略了模型间结合优势的不足，本发明提出基于动态加权的双模型故障诊断方法，采用动态加权组合的方式将快收敛DBN模型和文本数据挖掘模型的结果相结合，并依据模型在分类过程中的重要性改变程度赋予其动态权重，使得加权特征模式能够获得更加准确的故障诊断精度。通过试验分析，使轴承故障诊断效率达到95.25％，验证了提出的基于动态加权的双模型故障诊断方法的有效性，证明了该方法既可对轴承故障数据进行非平衡处理、有效信息的提取与分类，又有效结合轴承故障文本的经验性知识进行文本数据挖掘，具有较好的理论和应用价值。主要优势如下：

[0126] (1)提出快收敛DBN模型，引入ELM作为DBN反向微调算法，替代传统的梯度下降学习法，微调整个网络参数，有效提升了模型收敛速度。

[0127] (2)提出动态加权组合算法，通过对快收敛DBN模型和文本数据挖掘模型赋予动态修正的权值，并将其结果加权结合，完成双模型故障诊断的过程，以期进一步提高装备故障诊断准确率和模型鲁棒性，同时对推动装备运行大数据的挖掘和应用有促进作用。