一种故障诊断方法、装置及电子设备专利检索-流体压力执行机构一般液压技术和气动技术专利检索查询-专利查询网

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

一种故障诊断方法、装置及电子设备
申请号	CN202311825132.3	申请日	2023-12-27	公开(公告)号	CN117780735A	公开(公告)日	2024-03-29
申请人	中科云谷科技有限公司;			发明人	曾光; 吴凡; 童兴; 叶舟; 刘向阳;
摘要	本申请实施例提供了一种故障诊断方法、装置及电子设备，涉及故障诊断技术领域，用以提高故障诊断的准确率。该方法包括：对液压马达的振动信号进行降噪处理，得到待分析信号；对待分析信号分别进行线性预测分析和谱熵分析，得到待分析信号的信号特征；信号特征用于表征振动信号的谐波结构和频谱分布特性；将待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据多个故障诊断模型输出的多个故障诊断结果，确定液压马达的故障类型。
权利要求	1.一种故障诊断方法，其特征在于，包括：对液压马达的振动信号进行降噪处理，得到待分析信号；对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征；所述信号特征用于表征所述振动信号的谐波结构和频谱分布特性；将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；所述多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型。 2.根据权利要求1所述的方法，其特征在于，所述对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征，包括：对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数；对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列；将所述线性预测系数和所述信息量序列进行拼接得到所述待分析信号的信号特征。 3.根据权利要求2所述的方法，其特征在于，所述对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数，包括：针对所述待分析信号包括的任意一个待分析信号帧，分别利用线性预测编码将所述任意一个待分析信号帧分解为多个过去时刻的信号帧的加权和，得到所述待分析信号的线性预测系数；所述对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列，包括：针对所述待分析信号包括的任意一个待分析信号帧，分别将所述任意一个待分析信号帧划分为多个离散的频率区间，并将每个频率区间的概率转换为信息量，得到所述待分析信号的信息量序列。 4.根据权利要求1‑3任一项所述的方法，其特征在于，所述故障诊断模型为高斯混合模型或单高斯模型，且在所述故障诊断模型为单高斯模型时，所述多个故障诊断模型为同一高斯混合模型包括的多个单高斯模型；所述将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果，包括：将所述待分析信号的信号特征分别输入多个故障诊断模型，输出多个评估值；所述评估值为相应故障诊断模型的故障诊断结果，表征所述信号特征与相应故障类型的相似度；所述根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型，包括：确定所述多个评估值中的最大评估值，并在所述最大评估值大于预设评估阈值时，将所述最大评估值所属的故障诊断模型对应的故障类型，作为所述液压马达的故障类型。 5.根据权利要求4所述的方法，其特征在于，在所述故障诊断模型为高斯混合模型时，所述故障诊断模型是通过以下方法训练的：针对预设的多种故障类型中的任意一个故障类型，分别执行以下操作：获取所述任意一个故障类型的多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应；将各个特征样本，分别输入任意一个故障类型对应的故障诊断模型，并重复执行以下操作，直至所述故障诊断模型收敛，得到训练好的所述任意一个故障类型对应的故障诊断模型：利用当前模型参数估计所述各个特征样本属于所述任意一个故障类型的概率；通过极大似然估计，更新模型参数。 6.根据权利要求4所述的方法，其特征在于，在所述故障诊断模型为单高斯模型时，所述故障诊断模型是通过以下方法训练的：获取多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应，每个特征样本包括表征所属的故障类型的标签；基于预设的故障类型的数量，设置所述多个故障诊断模型所属的高斯混合模型的超参数；所述超参数用于表征所述多个故障诊断模型所属的高斯混合模型中包括的单高斯模型的数量；将所述多个特征样本，分别输入所述高斯混合模型，并重复执行以下操作，直至所述高斯混合模型收敛，得到包括多个训练好的故障诊断模型的高斯混合模型：利用当前模型参数估计所述多个特征样本属于各自的标签表征的故障类型的概率；通过极大似然估计，更新模型参数。 7.根据权利要求1或2所述的方法，其特征在于，所述对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征之前，所述方法还包括：基于预设帧长和预设帧移，将所述待分析信号划分为多个初始信号帧；针对存在信号缺失的各个初始信号帧，分别进行采样点填充，得到时间长度和采样点数量均相等的多个参考信号帧；对所述多个参考信号帧分别进行加窗处理，得到多个待分析信号帧。 8.一种故障诊断装置，其特征在于，包括：信号处理单元，用于对液压马达的振动信号进行降噪处理，得到待分析信号；特征提取单元，用于对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征；所述信号特征用于表征所述振动信号的谐波结构和频谱分布特性；故障诊断单元，用于将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；所述多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型。 9.一种电子设备，其特征在于，包括：存储器，用于存储计算机指令；处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如权利要求1至7中任一项所述的方法。 10.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。
说明书全文	一种故障诊断方法、装置及电子设备技术领域 [0001] 本申请涉及故障诊断技术领域，特别涉及一种故障诊断方法、装置及电子设备。背景技术 [0002] 液压马达为液压系统的核心执行元件，因此液压马达的健康状况直接关系到整个液压系统的功能和性能。为了在液压马达发送故障后实现对故障的精准定位，缩短检修周期，降低维修成本，工程界目前采用了小波变换、经验模态分解、变分模态分解等技术分析振动信号，并结合梯度提升树、神经网络等分类模型来进行多种故障诊断。 [0003] 但通过上述技术分析振动信号时，由于存在端点效应、模态混叠、欠包络、过包络等问题，因此进行故障诊断时，会出现准确率较低的问题。 [0004] 此外，简单使用一个多分类模型进行故障诊断，会出现在有新故障知识时，原模型直接失效，从而无法保留过去故障知识，需要重新训练的问题。发明内容 [0005] 本申请实施例提供了一种故障诊断方法、装置及电子设备，用以提高故障诊断的准确率。 [0006] 第一方面，本申请实施例提供了一种故障诊断方法，包括： [0007] 对液压马达的振动信号进行降噪处理，得到待分析信号；对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征；所述信号特征用于表征所述振动信号的谐波结构和频谱分布特性；将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；所述多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型。 [0008] 一种可能的实现方式中，所述对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征，包括：对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数；对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列；将所述线性预测系数和所述信息量序列进行拼接得到所述待分析信号的信号特征。 [0009] 一种可能的实现方式中，所述对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数，包括：针对所述待分析信号包括的任意一个待分析信号帧，分别利用线性预测编码将所述任意一个待分析信号帧分解为多个过去时刻的信号帧的加权和，得到所述待分析信号的线性预测系数；所述对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列，包括：针对所述待分析信号包括的任意一个待分析信号帧，分别将所述任意一个待分析信号帧划分为多个离散的频率区间，并将每个频率区间的概率转换为信息量，得到所述待分析信号的信息量序列。 [0010] 一种可能的实现方式中，所述故障诊断模型为高斯混合模型或单高斯模型，且在所述故障诊断模型为单高斯模型时，所述多个故障诊断模型为同一高斯混合模型包括的多个单高斯模型； [0011] 所述将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果，包括：将所述待分析信号的信号特征分别输入多个故障诊断模型，输出多个评估值；所述评估值为相应故障诊断模型的故障诊断结果，表征所述信号特征与相应故障类型的相似度；所述根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型，包括：确定所述多个评估值中的最大评估值，并在所述最大评估值大于预设评估阈值时，将所述最大评估值所属的故障诊断模型对应的故障类型，作为所述液压马达的故障类型。 [0012] 一种可能的实现方式中，在所述故障诊断模型为高斯混合模型时，所述故障诊断模型是通过以下方法训练的：针对预设的多种故障类型中的任意一个故障类型，分别执行以下操作：获取所述任意一个故障类型的多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应；将各个特征样本，分别输入任意一个故障类型对应的故障诊断模型，并重复执行以下操作，直至所述故障诊断模型收敛，得到训练好的所述任意一个故障类型对应的故障诊断模型：利用当前模型参数估计所述各个特征样本属于所述任意一个故障类型的概率；通过极大似然估计，更新模型参数。 [0013] 一种可能的实现方式中，在所述故障诊断模型为单高斯模型时，所述故障诊断模型是通过以下方法训练的：获取多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应，每个特征样本包括表征所属的故障类型的标签；基于预设的故障类型的数量，设置所述多个故障诊断模型所属的高斯混合模型的超参数；所述超参数用于表征所述多个故障诊断模型所属的高斯混合模型中包括的单高斯模型的数量；将所述多个特征样本，分别输入所述高斯混合模型，并重复执行以下操作，直至所述高斯混合模型收敛，得到包括多个训练好的故障诊断模型的高斯混合模型：利用当前模型参数估计所述多个特征样本属于各自的标签表征的故障类型的概率；通过极大似然估计，更新模型参数。 [0014] 一种可能的实现方式中，所述对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征之前，所述方法还包括：基于预设帧长和预设帧移，将所述待分析信号划分为多个初始信号帧；针对存在信号缺失的各个初始信号帧，分别进行采样点填充，得到时间长度和采样点数量均相等的多个参考信号帧；对所述多个参考信号帧分别进行加窗处理，得到多个待分析信号帧。 [0015] 第二方面，本申请实施例提供了一种故障诊断装置，包括： [0016] 信号处理单元，用于对液压马达的振动信号进行降噪处理，得到待分析信号； [0017] 特征提取单元，用于对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征；所述信号特征用于表征所述振动信号的谐波结构和频谱分布特性； [0018] 故障诊断单元，用于将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；所述多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型。 [0019] 一种可能的实现方式中，所述特征提取单元对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征时，具体用于：对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数；对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列；将所述线性预测系数和所述信息量序列进行拼接得到所述待分析信号的信号特征。 [0020] 一种可能的实现方式中，所述特征提取单元对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数时，具体用于：针对所述待分析信号包括的任意一个待分析信号帧，分别利用线性预测编码将所述任意一个待分析信号帧分解为多个过去时刻的信号的加权和，得到所述任意一个待分析信号帧的线性预测系数；所述特征提取单元对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列时，具体用于：针对所述待分析信号包括的任意一个待分析信号帧，分别将所述任意一个待分析信号帧划分为多个离散的频率区间，并将每个频率区间的概率转换为信息量，得到所述任意一个待分析信号帧的信息量序列。 [0021] 一种可能的实现方式中，所述故障诊断模型为高斯混合模型或单高斯模型，且在所述故障诊断模型为单高斯模型时，所述多个故障诊断模型为同一高斯混合模型包括的多个单高斯模型；所述故障诊断单元将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果时，用于：将所述待分析信号的信号特征分别输入多个故障诊断模型，输出多个评估值；所述评估值为相应故障诊断模型的故障诊断结果，表征所述信号特征与相应故障类型的相似度；所述故障诊断单元根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型时，用于：确定所述多个评估值中的最大评估值，并在所述最大评估值大于预设评估阈值时，将所述最大评估值所属的故障诊断模型对应的故障类型，作为所述液压马达的故障类型。 [0022] 一种可能的实现方式中，所述故障诊断模型为高斯混合模型时，所述故障诊断模型是模型训练单元通过以下方法训练的：针对预设的多种故障类型中的任意一个故障类型，分别执行以下操作：获取所述任意一个故障类型的多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应；将各个特征样本，分别输入任意一个故障类型对应的故障诊断模型，并重复执行以下操作，直至所述故障诊断模型收敛，得到训练好的所述任意一个故障类型对应的故障诊断模型：利用当前模型参数估计所述各个特征样本属于所述任意一个故障类型的概率；通过极大似然估计，更新模型参数。 [0023] 一种可能的实现方式中，在所述故障诊断模型为单高斯模型时，所述故障诊断模型是所述模型训练单元通过以下方法训练的：获取多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应，每个特征样本包括表征所属的故障类型的标签；基于预设的故障类型的数量，设置所述多个故障诊断模型所属的高斯混合模型的超参数；所述超参数用于表征所述多个故障诊断模型所属的高斯混合模型中包括的单高斯模型的数量；将所述多个特征样本，分别输入所述高斯混合模型，并重复执行以下操作，直至所述高斯混合模型收敛，得到包括多个训练好的故障诊断模型的高斯混合模型：利用当前模型参数估计所述多个特征样本属于各自的标签表征的故障类型的概率；通过极大似然估计，更新模型参数。 [0024] 一种可能的实现方式中，所述特征提取单元对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征之前，所述信号处理单元还用于：基于预设帧长和预设帧移，将所述待分析信号划分为多个初始信号帧；针对存在信号缺失的各个初始信号帧，分别进行采样点填充，得到时间长度和采样点数量均相等的多个参考信号帧；对所述多个参考信号帧分别进行加窗处理，得到多个待分析信号帧。 [0025] 第三方面，本申请实施例提供了一种电子设备，包括： [0026] 存储器，用于存储计算机指令； [0027] 处理器，与所述存储器连接，用于执行所述存储器中的计算机指令，且在执行所述计算机指令时实现如第一方面中任一项所述的方法。 [0028] 第四方面，本申请实施例提供了一种计算机可读存储介质，包括： [0029] 所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。 [0030] 本申请有益效果如下： [0031] 本申请实施例提供了一种故障诊断方法、装置及电子设备，该方法中，对液压马达的振动信号降噪处理后得到的待分析信号分别通过线性预测分析和谱熵分析，对待分析信号特征提取；然后通过将提取到的信号特征分别输入多个不同故障类型对应的故障诊断模型，确定液压马达的故障类型。 [0032] 在上述方法中，由于信号特征可以表征振动信号的谐波结构和频谱分布特性，因此可以更全面地捕捉信号的时域特性和频域特性，有助于提高对不同故障模式的区分度，从而提高故障诊断的准确率。由于不同故障类型对应不同的故障诊断模型，因此在新的故障知识进入系统时，只需将该故障类型相关的故障诊断模型进行更新，而其他模型可以保持不变，可以更加灵活和高效进行模型更新。上述方法还可以避免现有技术中通过多分类模型进行故障诊断的复杂性，同时也提高了故障诊断模型的可解释性。 [0033] 本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明 [0034] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例。 [0035] 图1为本申请实施例提供的故障诊断方法应用的系统架构示意图； [0036] 图2为本申请实施例提供的一种故障诊断方法的示例性流程图； [0037] 图3为本申请实施例提供的数据预处理和特征提取的过程示意图； [0038] 图4为本申请实施例提供的故障诊断过程示意图之一； [0039] 图5为本申请实施例提供的故障诊断过程示意图之一； [0040] 图6为本申请实施例提供的故障诊断模型的模型训练方法的示例性流程图； [0041] 图7为本申请实施例提供的一种故障诊断装置示意图； [0042] 图8为本申请实施例提供的一种电子设备的结构示意图。具体实施方式 [0043] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。 [0044] 本申请实施例中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。 [0045] 另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。 [0046] 液压马达为液压系统的核心执行元件，因此液压马达的健康状况直接关系到整个液压系统的功能和性能。为了在液压马达发送故障后实现对故障的精准定位，缩短检修周期，降低维修成本，工程界目前采用了小波变换、经验模态分解、变分模态分解等技术分析振动信号，并结合梯度提升树、神经网络等分类模型来进行多种故障诊断。但通过上述技术分析振动信号时，由于存在端点效应、模态混叠、欠包络、过包络等问题，因此进行故障诊断时，会出现准确率较低的问题。此外，简单使用一个多分类模型进行故障诊断，会出现在有新故障知识时，原模型直接失效，从而无法保留过去故障知识，需要重新训练的问题。 [0047] 有鉴于此，为了解决现有技术中存在的上述问题，本申请实施例提供了一种故障诊断方法，该方法中，对液压马达的振动信号降噪处理后得到的待分析信号分别通过线性预测分析和谱熵分析，对待分析信号特征提取；然后通过将提取到的信号特征分别输入多个不同故障类型对应的故障诊断模型，确定液压马达的故障类型。 [0048] 在上述方法中，由于信号特征可以表征振动信号的谐波结构和频谱分布特性，因此可以对液压马达的振动信号的特征进行多角度刻画，从而提高故障诊断的准确率。由于不同故障类型对应不同的故障诊断模型，因此在新的故障知识进入系统时，只需将该故障类型相关的故障诊断模型进行更新，而其他模型可以保持不变，也就不需要重新训练全部故障诊断模型。可见本申请提供的故障诊断方法可以有效解决现有技术中存在的上述问题。 [0049] 参阅图1为本申请实施例提供的故障诊断方法应用的系统架构示意图。该系统可以为服务器100，包括：存储器110、处理器120和通信接口130。其中，通信接口130可以用于采集液压马达的振动信号，处理器120是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器110内的软件程序或模块，以及调用存储在存储器110内的数据，执行服务器100的各种功能和处理数据。可选地，处理器120可以包括一个或多个处理单元。存储器110可以为高速随机存取存储器，还可以为非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。需要说明的是，上述图1所示的结构仅是一种示例，本申请实施例对此不做限定。 [0050] 参阅图2为本申请实施例提供的一种故障诊断方法的示例性流程图，该方法可以应用与图1所示的服务器，可包括以下流程： [0051] S201，对液压马达的振动信号进行降噪处理，得到待分析信号。 [0052] 液压马达工作过程中会产生振动，但由于设备整体的运行、环境干扰等因素，也会引起其他部件的振动，因此对液压马达采集的振动信号中不仅会携带自身振动信息，还会携带额外的噪声信息。因此，在采集液压马达的振动信号后，需要先对采集的振动信号进行降噪处理。 [0053] 可选的，可以通过维纳滤波对液压马达的振动信号进行降噪处理，将振动信号中的携带振动信息的待分析信号与携带噪声信息的噪声信号进行分离，满足公式(1)。 [0054] x(t) ＝ s(t) + n(t) 公式(1) [0055] 式中，x(t)是采集的振动信号，s(t)是待分析信号，n(t)是噪声信号。 [0056] 需要说明的是，通过维纳滤波对液压马达的振动信号进行降噪处理的具体实施方式可以参见相关技术中的描述，在此不再赘述。 [0057] S202，对待分析信号分别进行线性预测分析和谱熵分析，得到待分析信号的信号特征。 [0058] 其中，信号特征用于表征振动信号的谐波结构和频谱分布特性。线性预测分析用于捕捉待分析信号的谐波结构，谱熵分析用于捕捉待分析信号的频谱分布特性。 [0059] 在一些实施例中，执行S202之前，服务器可以基于预设帧长和预设帧移，将待分析信号划分为多个初始信号帧。然后，可以针对存在信号缺失的各个初始信号帧，分别进行采样点填充，得到时间长度和采样点数量均相等的多个参考信号帧。再通过将每个参考信号帧乘以汉明窗，来对多个参考信号帧分别进行加窗处理，得到多个待分析信号帧。 [0060] 在一个示例中，假设预设帧长为25ms，预设帧移为10ms。则待分析信号为100ms时，可以得到9个初始信号帧：[0，25)，[9，34)，[19，44)，[29，54)，[39，64)，[49，74)，[59，84)，[69，94)，[79，100)，[89，100)。然后可以对25ms内存在信号缺失的初始信号帧，通过信号缺失处补0的方式，进行采样点填充。例如，[79，100)，[89，100)这两个初始信号帧。从而得到9个参考信号帧，每个参考信号帧都具有相同的时间长度以及相同数量的采样点。接着，为了抑制频谱泄露，还可以将每个参考信号帧均乘以汉明窗，得到9个待分析信号帧。 [0061] 应当了解的是，预设帧长均可以根据实际情况或者经验预先设置的，预设帧移可以根据预设帧长进行设置。例如预设帧长还可以是30ms、40ms等，预设帧移还可以是15ms、20ms等，本申请对此不作限定。 [0062] 在一些实施例中，S202可以具体执行为：针对待分析信号包括的多个待分析信号帧中的任意一个待分析信号帧，分别执行以下步骤1)‑步骤3)，得到待分析信号的信号特征： [0063] 步骤1)：对任意一个待分析信号帧进行线性预测分析。 [0064] 利用线性预测编码将任意一个待分析信号帧分解为多个过去时刻的信号帧的加权和，得到任意一个待分析信号帧的线性预测系数。 [0065] 通过线性预测编码(Linear Predictive Coding，LPC)将任意一个待分析信号帧分解为预设数量个过去时刻的信号帧的加权和，实现对该待分析信号帧的建模和参数化，从而得到任意一个待分析信号帧的用于重建待分析信号特性的一组线性预测系数。例如，输出的一组线性预测系数可以为一个四维数组[A1，A2，A3，A4]，A1‑A4均为相关参数。 [0066] 基于上述方案，线性预测分析过程简化了信号的表示，使其可以用较少的参数来表示频谱的主要特征。并且LPC可以被看作是一个自回归模型，其中当前待分析信号帧被线性预测为过去的信号帧的线性组合。而且由于信号的谐波通常是以线性组合的方式生成的，因此得到的线性预测系数能够有效地捕捉待分析信号帧的谐波结构。 [0067] 步骤2)：对任意一个待分析信号帧进行谱熵分析。 [0068] 将任意一个待分析信号帧划分为若干个离散的频率区间，并将每个频率区间的概率转换为信息量，得到任意一个待分析信号帧的信息量序列。 [0069] 具体的，服务器可以通过离散傅里叶变换将任意一个待分析信号帧，由时域信号转化为频域信号。然后通过将频谱除以幅度谱的总和的方式，对转化后的任意一个待分析信号帧进行归一化处理，以确保幅度谱的总能量(概率面积)为1。再将归一化后的任意一个待分析信号帧划分为若干个离散的频率区间。使用如公式(2)所示是信息量公式将每个频率区间的概率转换为信息量，然后按照从低频区间到高频区间的顺序，对多个区间对应的信息量进行排序得到一个信息量序列作为用于表征任意一个待分析信号帧的频谱分布特性的特征 [0070] I＝‑log(P) 公式(2) [0071] 式中，I为信息量，P为每个频率区间的能量(概率面积)。 [0072] 举例来说，假设可以将任意一个待分析信号帧拆分为[0，128]，[129，256]，[257，512]，[513，1024]，[1025，2048]，[2049，4096]六个频率区间(单位：HZ)，且从低到高的频率顺序得到每个区间的区间概率为[0.52，0.24，0.13，0.08，0.02，0.01]，由此得到任意一个待分析信号帧的信息量序列为[0.28，0.62，0.89，1.1，1.7，2]。 [0073] 步骤3)：特征融合。 [0074] 将线性预测系数和信息量序列进行拼接得到任意一个待分析信号帧的信号特征。 [0075] 其中，信号特征的维度为线性预测系数的数量和信息量序列中包括的信息量的数量之和。 [0076] 由于线性预测系数携带了待分析信号帧的谐波信息，而信息量序列则是针对待分析信号帧的频谱分布特性进行的表征，二者不存在关联关系，因此可以进行融合作为信号特征。例如，按照上面的例子，可以将4维线性预测系数与6维信息量序列进行融合得到一个10维的信号特征[A1，A2，A3，A4，2，1.7，1.1，0.89，0.62，0.28]。 [0077] 需要说明的是，线性预测系数的数量和信息量序列中包括的信息量的数量均可以根据实际情况或经验进行设置，本申请对此不作限定。 [0078] 参见图3为本申请实施例提供的数据预处理和特征提取的过程示意图。采集到的液压马达的振动信号可以通过图3所示的过程进行处理从而得到相应的信号特征。如图3所示，采集到液压马达的振动信号后，可以通过维纳滤波进行降噪处理，得到待分析信号。再基于预设帧长和预设帧移，对待分析信号进行重叠分帧。然后通过乘以汉明窗进行加窗处理得到多个待分析信号帧。此时，一方面，可以将多个待分析信号帧分别进行线性预测分析得到每个待分析信号帧的线性预测系数。另一方面，可以对多个待分析信号帧分别进行离散傅里叶变换、幅度归一化、频率分区、信息量转换得到每个待分析信号帧的信息量序列。最后将线性预测系数和信息量序列进行拼接得到信号特征。 [0079] S203，将待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果。 [0080] 其中，多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障。故障类型与故障诊断模型为一一对应的。例如，假设有10种故障类型，那么就有10个相应的故障诊断模型。 [0081] 具体的，S203可以执行为：将待分析信号的信号特征分别输入多个故障诊断模型，输出多个评估值。其中，评估值即为相应故障诊断模型的故障诊断结果，且评估值用于表征信号特征与相应故障类型的相似度。 [0082] 举例来说，假设有三个故障诊断模型A、B、C，A对应的故障类型为a，B对应的故障类型为b，C对应的故障类型为c。将待分析信号的信号特征分别输入A、B、C，A输出的评估值为score1，B输出的评估值为score2，C输出的评估值为score3。则score1表示待分析信号的信号特征与故障类型a的相似度，score2表示待分析信号的信号特征与故障类型b的相似度，score3表示待分析信号的信号特征与故障类型c的相似度。 [0083] S204，根据多个故障诊断模型输出的多个故障诊断结果，确定液压马达的故障类型。 [0084] 具体的，可以确定多个故障诊断模型得到的多个评估值中的最大评估值，并在最大评估值大于预设评估阈值时，将最大评估值所属的故障诊断模型对应的故障类型，作为液压马达的故障类型。 [0085] 一种可能的实现方式中，上述故障诊断模型可以为高斯混合模型(Gaussian Mixture Module，GMM)。GMM本质上是一种多维概率密度函数，在概率空间上，特征向量的分布情形可用若干个单高斯概率密度函数进行线性逼近。 [0086] 另一种可能的实现方式中，在每种故障类型对应的定性原因彼此独立且效度较高的情况下，可以使用一个GMM来对所有的故障类型进行建模，因此故障诊断模型还可以为单高斯模型，且多个不同的故障诊断模型可以组成一个高斯混合模型。其中，每个单高斯模型又可以认为是GMM中的一个高斯分布。 [0087] 一种可能的实现方式中，在故障诊断模型为高斯混合模型时，参见图4为本申请实施例提供的故障诊断过程示意图之一。如图4所示，假设存在n个故障类型：故障1、故障2……故障n，n个故障类型各自对应的故障诊断模型分别为GMM_1、GMM_2……GMM_n。则执行S203‑S204时，可以将待分析信号的信号特征输入n个故障类型各自对应的已训练好的GMM中，每个GMM均可以输出表征待分析信号的信号特征与相应故障类型的相似度的评估值。例如，GMM_1可以输出score1，score1表征待分析信号的信号特征与故障1的相似度，GMM_2可以输出score2，score2表征待分析信号的信号特征与故障2的相似度，以此类推。然后基于预设的判别逻辑得到待分析信号的故障类型。例如，判别逻辑可以是：基于各个GMM输出的评估值，确定其中的最大评估值，并在最大评估值大于预设评估阈值时，确定最大评估值所属的GMM对应的故障类型为待分析信号的故障类型，也即液压马达的故障类型。 [0088] 其中，对于GMM_1、GMM_2……GMM_n中的任意一个GMM，在确定评估值时，均会计算其包含的各个高斯分布生成该信号特征的概率，并将该任意一个GMM中的各个高斯分布生成的该信号特征的概率进行加权求和，从而得到该任意一个GMM生成该信号特征的评估值(score)。这个评估值表示了该任意一个GMM整个模型对于该信号特征的生成概率，也即，基于该任意一个GMM对应的故障类型对信号特征进行相似度评分。 [0089] 另一种可能的实现方式中，在故障诊断模型为单高斯模型时，参见图5为本申请实施例提供的故障诊断过程示意图之一。如图5所示，假设存在n个故障类型：故障1、故障2……故障n，n个故障类型各自对应的故障诊断模型可以为同一GMM中的不同高斯分布，分别为单高斯模型_1、单高斯模型_2……单高斯模型_n。则执行S203‑S204时，可以将待分析信号的信号特征输入n个故障类型各自对应的已训练好的单高斯模型中，每个单高斯模型均可以输出表征待分析信号的信号特征与相应故障类型的相似度的评估值。例如，单高斯模型_1可以输出score1，score1表征待分析信号的信号特征与故障1的相似度，单高斯模型_2可以输出score2，score2表征待分析信号的信号特征与故障2的相似度，以此类推。然后基于预设的判别逻辑得到待分析信号的故障类型。例如，判别逻辑可以是：基于各个单高斯模型输出的评估值，确定其中的最大评估值，并在最大评估值大于预设评估阈值时，确定最大评估值所属的单高斯模型对应的故障类型为待分析信号的故障类型，也即液压马达的故障类型。 [0090] 需要说明的是，预设评估阈值可以是根据实际情况或经验预设的，本申请对此不作限定。 [0091] 在一些实施例中，在所述故障诊断模型为高斯混合模型时，上述故障诊断模型可以通过以下方法进行训练： [0092] 针对预设的多种故障类型中的任意一个故障类型，分别执行以下操作： [0093] 首先获取样本集，样本集中包括多个属于任意一个故障类型的特征样本。具体的，获取任意一个故障类型的多个历史信号帧，对多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本。其中，特征样本与历史信号帧一一对应。需要说明的是，对多个历史信号帧分别进行线性预测分析和谱熵分析的方法可以参见图2所示的方法实施例中的相关描述，在此不再赘述。 [0094] 可以通过EM 算法对GMM的分量权重、均值、协方差矩阵进行估计，并通过多次迭代，从而得到训练好的GMM。 [0095] 具体的，可以将各个特征样本，分别输入任意一个故障类型对应的故障诊断模型，并重复执行步骤E和步骤M，直至故障诊断模型收敛，得到训练好的任意一个故障类型对应的故障诊断模型： [0096] 步骤E：利用当前模型参数估计各个特征样本属于任意一个故障类型的概率。 [0097] 步骤M：通过极大似然估计，更新模型参数。 [0098] 在一个示例中，在故障诊断模型为高斯混合模型时，对于任意一个故障类型，由于样本集中的各个特征样本是已经被确定为是该任意一个故障类型的数据，因此可以通过极大似然估计等方式，来推测出能够生成这些特征样本的事件概率最大的情况下的GMM分布。参见图6为本申请实施例提供的故障诊断模型的模型训练方法的示例性流程图。 [0099] S601，设定故障诊断模型的模型阶数。 [0100] 其中，模型阶数可以根据实际情况或经验进行设置，本申请对此不作限定。 [0101] S602，参数初始化。 [0102] S603，利用当前模型参数估计各个特征样本中的各个数据点属于任意一个故障类型的概率。 [0103] S604，更新高斯分布的均值、协方差矩阵和混合系数，并最大化对数似然函数。 [0104] S605，判断故障诊断模型是否收敛。 [0105] 若收敛，则结束该故障诊断模型的训练；若不收敛，则返回执行S503，继续迭代。 [0106] 在另一些实施例中，在故障诊断模型为单高斯模型时，故障诊断模型可以通过以下方法进行训练： [0107] 获取多个故障诊断模型所属的高斯混合模型对应的样本集。其中，样本集中包括多个属于多个不同故障类型的特征样本，以及每个特征样本的标签，该标签用于表征该特征样本的故障类型。具体的，获取多个不同故障类型历史信号帧，对多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本。其中，特征样本与历史信号帧一一对应。需要说明的是，对多个历史信号帧分别进行线性预测分析和谱熵分析的方法可以参见图2所示的方法实施例中的相关描述，在此不再赘述。 [0108] 基于预设的故障类型的数量，设置多个故障诊断模型所属的高斯混合模型的超参数K。其中K用于表征所述多个故障诊断模型所属的高斯混合模型中包括的单高斯模型的数量，也即高斯混合模型中包含的高斯分布的数量，从而使得每个高斯分布对应一个故障类型。 [0109] 然后可以通过EM算法对GMM的分量权重、均值、协方差矩阵进行估计，并通过多次迭代，从而得到训练好的GMM。具体方法与故障诊断模型为高斯混合模型时的训练方法相似，可以参见图6所示的方法实施例中的相关描述，在此不再赘述。 [0110] 基于上述方法的同一构思，参见图7，为本申请实施例提供的一种故障诊断装置700，装置700能够执行上述方法中的各个步骤，为了避免重复，此处不再详述。该装置700包括信号处理单元701、特征提取单元702、故障诊断单元703和模型训练单元704。在一种场景下： [0111] 信号处理单元701，用于对液压马达的振动信号进行降噪处理，得到待分析信号； [0112] 特征提取单元702，用于对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征；所述信号特征用于表征所述振动信号的谐波结构和频谱分布特性； [0113] 故障诊断单元703，用于将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果；所述多个故障诊断模型中的不同故障诊断模型用于诊断不同类型的故障；根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型。 [0114] 一种可能的实现方式中，所述特征提取单元702对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征时，用于：对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数；对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列；将所述线性预测系数和所述信息量序列进行拼接得到所述待分析信号的信号特征。 [0115] 一种可能的实现方式中，所述特征提取单元702对所述待分析信号进行线性预测分析得到所述待分析信号的线性预测系数时，具体用于：针对所述待分析信号包括的任意一个待分析信号帧，分别利用线性预测编码将所述任意一个待分析信号帧分解为多个过去时刻的信号的加权和，得到所述待分析信号的线性预测系数；所述特征提取单元702对所述待分析信号进行谱熵分析得到所述待分析信号的信息量序列时，具体用于：针对所述待分析信号包括的任意一个待分析信号帧，分别将所述任意一个待分析信号帧划分为多个离散的频率区间，并将每个频率区间的概率转换为信息量，得到所述待分析信号的信息量序列。 [0116] 一种可能的实现方式中，所述故障诊断模型为高斯混合模型或单高斯模型，且在所述故障诊断模型为单高斯模型时，所述多个故障诊断模型为同一高斯混合模型包括的多个单高斯模型；所述故障诊断单元703将所述待分析信号的信号特征分别输入多个故障诊断模型，得到每个故障诊断模型输出的故障诊断结果时，用于：将所述待分析信号的信号特征分别输入多个故障诊断模型，输出多个评估值；所述评估值为相应故障诊断模型的故障诊断结果，表征所述信号特征与相应故障类型的相似度；所述故障诊断单元703根据所述多个故障诊断模型输出的多个故障诊断结果，确定所述液压马达的故障类型时，用于：确定所述多个评估值中的最大评估值，并在所述最大评估值大于预设评估阈值时，将所述最大评估值所属的故障诊断模型对应的故障类型，作为所述液压马达的故障类型。 [0117] 一种可能的实现方式中，所述故障诊断模型为高斯混合模型时，所述故障诊断模型是模型训练单元704通过以下方法训练的：针对预设的多种故障类型中的任意一个故障类型，分别执行以下操作：获取所述任意一个故障类型的多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应；将各个特征样本，分别输入任意一个故障类型对应的故障诊断模型，并重复执行以下操作，直至所述故障诊断模型收敛，得到训练好的所述任意一个故障类型对应的故障诊断模型：利用当前模型参数估计所述各个特征样本属于所述任意一个故障类型的概率；通过极大似然估计，更新模型参数。 [0118] 一种可能的实现方式中，在所述故障诊断模型为单高斯模型时，所述故障诊断模型是所述模型训练单元704通过以下方法训练的：获取多个历史信号帧，对所述多个历史信号帧分别进行线性预测分析和谱熵分析，得到多个特征样本；所述特征样本与所述历史信号帧一一对应，每个特征样本包括表征所属的故障类型的标签；基于预设的故障类型的数量，设置所述多个故障诊断模型所属的高斯混合模型的超参数；所述超参数用于表征所述多个故障诊断模型所属的高斯混合模型中包括的单高斯模型的数量；将所述多个特征样本，分别输入所述高斯混合模型，并重复执行以下操作，直至所述高斯混合模型收敛，得到包括多个训练好的故障诊断模型的高斯混合模型：利用当前模型参数估计所述多个特征样本属于各自的标签表征的故障类型的概率；通过极大似然估计，更新模型参数。 [0119] 一种可能的实现方式中，所述特征提取单元702对所述待分析信号分别进行线性预测分析和谱熵分析，得到所述待分析信号的信号特征之前，所述信号处理单元还用于：基于预设帧长和预设帧移，将所述待分析信号划分为多个初始信号帧；针对存在信号缺失的各个初始信号帧，分别进行采样点填充，得到时间长度和采样点数量均相等的多个参考信号帧；对所述多个参考信号帧分别进行加窗处理，得到多个待分析信号帧。 [0120] 基于上述方法的同一构思，参见图8，为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括至少一个处理器802，以及与至少一个处理器802连接或称耦合的存储器801，此外，电子设备还可以包括通信接口803。电子设备可以通过通信接口803和其它设备进行信息交互。 [0121] 示例性的，所述通信接口803可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。当该电子设备为芯片类的装置或者电路时，该电子设备中的通信接口803也可以是输入输出电路，可以输入信息(或称，接收信息)和输出信息(或称，发送信息)，处理器为集成的处理器或者微处理器或者集成电路或则逻辑电路，处理器可以根据输入信息确定输出信息。 [0122] 本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。处理器802可能和存储器801、通信接口803协同操作。本申请中不限定上述处理器802、存储器801以及通信接口803之间的具体连接介质。 [0123] 可选的，参见图8，所述处理器802、所述存储器801以及所述通信接口803之间通过总线相互连接。所述总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。 [0124] 在本申请实施例中，存储器801作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器801可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器801是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器801还可以是电路或者其它任意能够实现存储功能的装置，用于存储指令、计算机程序和/或数据。 [0125] 在本申请实施例中，处理器802可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的故障诊断方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。 [0126] 通过对处理器802进行设计编程，可以将前述实施例中介绍的故障诊断方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的故障诊断方法的步骤，如何对处理器802进行设计编程为本领域技术人员所公知的技术，这里不再赘述。 [0127] 在一个或多个实施例中，存储器801存储有可被至少一个处理器802执行的指令，至少一个处理器802通过调用存储器801存储的指令或者计算机程序，可以实现上述任一方法的步骤。 [0128] 本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行上述任一方法的步骤。 [0129] 基于同一发明构思，本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行如前文论述任一的故障诊断方法。由于上述计算机程序产品解决问题的原理与故障诊断方法相似，因此上述计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。 [0130] 本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。 [0131] 虽然以上描述了本申请的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本申请的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本申请的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本申请的保护范围。尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。 [0132] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。