本申请涉及计算机领域，尤其涉及一种目标故障信息的确定方法和装置。
背景技术：
随着机械设备的迅速发展，人们对机械设备生产、使用的全寿命周期内表现出的可靠性、安全性和稳定性有着更为苛刻的要求，然而，绝大多数机械设备往往工作于恶劣的环境中交变复杂频繁、转速高、负载大，致使轴承极易发生故障，最终导致机械设备失效，部分机械设备较难进行事后维修，即使开展维修，轻则影响生产进度，重则会导致生产人员伤亡等不堪后果，因此，采用监控手段监控轴承性能就显得格外重要。
针对上述的问题，目前尚未提出有效的解决方案。
技术实现要素：
本申请提供了一种目标故障信息的确定方法和装置，以至少解决相关技术中滚动部件故障诊断的及时性以及准确性较差的技术问题。
根据本申请实施例的一个方面，提供了一种目标故障信息的确定方法，包括：在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
可选地，根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的所述目标故障信息包括：通过特征生成模型生成与所述参考结构参数对应的目标结构特征，以及与所述参考振动信号数据对应的目标振动信号特征；根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的目标故障信息。
可选地，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征包括：通过bp残差神经网络模型生成与所述参考结构参数对应的目标结构特征；通过深度残差卷积神经网络模型生成与所述参考振动信号数据对应的目标振动信号特征。
可选地，通过所述bp残差神经网络模型生成与所述参考结构参数对应的所述目标结构特征包括：对所述参考结构参数进行归一化处理，以得到处理后的目标结构参数；通过所述bp残差神经网络模型生成与所述目标结构参数对应的所述目标结构特征。
可选地，通过所述深度残差卷积神经网络模型生成与所述参考振动信号数据对应的所述目标振动信号特征包括：根据经验模态分解处理法对所述参考振动信号数据进行分解处理，以得到分解后的目标振动信号数据；通过所述深度残差卷积神经网络模型生成与所述目标振动信号数据对应的所述目标振动信号特征。
可选地，根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的所述目标故障信息包括：将所述目标结构特征和所述目标振动信号特征合并，以得到滚动部件特征集；通过故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息。
可选地，通过所述故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息包括利用所述故障诊断模型执行以下操作以生成所述目标故障信息：对所述滚动部件特征集进行目标计算，以确定所述滚动部件被确定为多个预设故障信息中包括的每个所述预设故障信息的概率值；将所述概率值中的最大概率值对应的所述预设故障信息确定为所述目标故障信息。
可选地，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征之前，所述方法还包括：获取所述目标设备在历史运行中的历史滚动部件数据集，其中，所述历史滚动部件数据集包括所述滚动部件的结构参数、振动信号、结构特征、振动信号特征以及故障诊断信息；根据所述历史滚动部件数据集对初始bp残差神经网络模型、初始深度残差卷积神经网络模型以及初始故障诊断模型进行训练；在所述初始bp残差神经网络模型对应的第一损失函数值、所述初始深度残差卷积神经网络模型对应的第二损失函数值以及所述初始故障诊断模型对应的第三损失函数值满足目标条件的情况下，结束训练以得到所述bp残差神经网络模型、所述深度残差卷积神经网络模型以及所述故障诊断模型。
根据本申请实施例的另一方面，还提供了一种目标故障信息的确定装置，包括：第一获取模块，用于在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；确定模块，用于根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。
根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。
在本申请实施例中，采用在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，滚动部件为目标设备包括的部件；根据参考结构参数以及参考振动信号数据确定滚动部件的目标故障信息的方式，通过不同的滚动部件在正常工作时会产生不同的振动信号，通过获取运行过程中的目标设备的滚动部件的参考结构参数以及参考振动信号数据，并根据获取的滚动部件的参考结构参数以及参考振动信号数据进行故障诊断，从而可以实现在目标设备还能处于工作状态时确定滚动部件的目标故障信息，达到了在滚动部件故障不严重时或者造成损失前及时对故障的滚动部件进行维修的目的，从而实现了提高滚动部件故障诊断的及时性以及准确性的技术效果，进而解决了滚动部件故障诊断的及时性以及准确性较差的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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。
图1是根据本申请实施例的目标故障信息的确定方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的目标故障信息的确定方法的流程图；
图3是根据本申请实施例的一种可选的故障诊断的流程图；
图4是根据本申请实施例的一种可选的轴承故障诊断模型框架图；
图5是根据本申请实施例的一种可选的目标故障信息的确定装置的示意图；
图6是根据本申请实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一方面，提供了一种目标故障信息的确定的方法实施例。
可选地，在本实施例中，上述目标故障信息的确定方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。图1是根据本申请实施例的目标故障信息的确定方法的硬件环境的示意图，如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101并不限定于pc、手机、平板电脑等。本申请实施例的目标故障信息的确定方法可以由服务器103来执行，也可以由终端101来执行，还可以是由服务器103和终端101共同执行。其中，终端101执行本申请实施例的目标故障信息的确定方法也可以是由安装在其上的客户端来执行。
图2是根据本申请实施例的一种可选的目标故障信息的确定方法的流程图，如图2所示，该方法可以包括以下步骤：
步骤s202，在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；
步骤s204，根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
通过上述步骤s202至步骤s204，通过不同的滚动部件在正常工作时会产生不同的振动信号，通过获取运行过程中的目标设备的滚动部件的参考结构参数以及参考振动信号数据，并根据获取的滚动部件的参考结构参数以及参考振动信号数据进行故障诊断，从而可以实现在目标设备还能处于工作状态时确定滚动部件的目标故障信息，达到了在滚动部件故障不严重时或者造成损失前及时对故障的滚动部件进行维修的目的，从而实现了提高滚动部件故障诊断的及时性以及准确性的技术效果，进而解决了滚动部件故障诊断的及时性以及准确性较差的技术问题。
在步骤s202提供的技术方案中，滚动部件可以但不限与包括各种型号的轴承，比如：深沟球轴承、调心球轴承、推力球轴承等等。
可选地，在本实施例中，参考结构参数可以但不限于包括构成滚动部件的各个构件的尺寸参数、重量参数以及各构件之间的位置参数等等。
可选地，在本实施例中，参考振动信号数据是在目标设备运行过程中检测到的原始振动信号。
在步骤s204提供的技术方案中，目标故障信息可以是反映滚动轴承的损坏程度的信息也可以是反映组成滚动轴承的各个构件的损坏程度的信息。
作为一种可选的实施例，根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的所述目标故障信息包括：
s11，通过特征生成模型生成与所述参考结构参数对应的目标结构特征，以及与所述参考振动信号数据对应的目标振动信号特征；
s12，根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的目标故障信息。
可选地，在本实施例中，特征生成模型可以但不限于是训练后的神经网络模型，比如，通过构建bp(backpropagation，反向传播)残差神经网络模型并从模型中提取出各个目标结构特征，通过构建深度卷积残差神经网络模型并从模型中提取出各个目标振动信号特征。
通过以上步骤，通过构建好的特征生成模型提取滚动部件的目标结构特征以及目标振动信号特征，并根据目标结构特征以及目标振动信号特征确定出目标故障信息，从而增加了目标故障信息确定的准确性。
作为一种可选的实施例，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征包括：
s21，通过bp残差神经网络模型生成与所述参考结构参数对应的目标结构特征；
s22，通过深度残差卷积神经网络模型生成与所述参考振动信号数据对应的目标振动信号特征。
可选地，在本实施例中，目标结构特征可以但不限于是在bp残差神经网络模型中的各层提取出的，目标振动信号特征可以但不限于是在深度残差卷积神经网络模型中的各层中提取出的。
作为一种可选的实施例，通过所述bp残差神经网络模型生成与所述参考结构参数对应的所述目标结构特征包括：
s31，对所述参考结构参数进行归一化处理，以得到处理后的目标结构参数；
s32，通过所述bp残差神经网络模型生成与所述目标结构参数对应的所述目标结构特征。
可选地，在本实施例中，归一化处理的方式可以但不限于包括z-score(z分数)处理方法、sigmoid函数方法等，不同的参考结构参数会具有不同的数量级，为了消除参数与参数之间的量纲影响，可通过对参考结构参数进行归一化处理，以便参数之间具有可比性。
通过以上步骤，通过对从目标设备上获取的滚动部件的参考结构参数进行归一化处理从而消除不同的参数与参数之间的量纲影响，从而提高了神经网络模型生成目标结构特征的效率。
作为一种可选的实施例，通过所述深度残差卷积神经网络模型生成与所述参考振动信号数据对应的所述目标振动信号特征包括：
s41，根据经验模态分解处理法对所述参考振动信号数据进行分解处理，以得到分解后的目标振动信号数据；
s42，通过所述深度残差卷积神经网络模型生成与所述目标振动信号数据对应的所述目标振动信号特征。
可选地，在本实施例中，参考振动信号数据是在目标设备运行过程中提取到的振动信号数据，属于混叠信号数据，因此需要对参考振动信号数据进行分解处理，从而得到分解后的平稳分量信号，即目标振动信号数据。
通过以上步骤，通过采用经验模态分解法对获取到的参考振动信号数据进行分解，从而实现振动混叠信号的分离，进而提高了目标振动信号特征提取的准确性。
作为一种可选的实施例，根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的所述目标故障信息包括：
s51，将所述目标结构特征和所述目标振动信号特征合并，以得到滚动部件特征集；
s52，通过故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息。
可选地，在本实施例中，滚动部件特征集中包含全部提取到的目标结构特征以及目标振动信号特征，滚动部件特征集中的各个特征的顺序可以但不限于是随机设置的，比如，提取到的目标结构特征有三个，分别是a1、a2、a3，提取到的目标振动信号特征有两个，分别是b1、b2，对提取到的特征进行合并从而得到合并后的滚动部件特征集合{a1、a2、a3、b1、b2}，集合中包含五个特征。
可选地，在本实施例中，故障诊断模型可以但不限于是预先训练好的神经网络模型，通过输入滚动部件特征集输出该特征集对应的目标故障信息。
作为一种可选的实施例，通过所述故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息包括利用所述故障诊断模型执行以下操作以生成所述目标故障信息：
s61，对所述滚动部件特征集进行目标计算，以确定所述滚动部件被确定为多个预设故障信息中包括的每个所述预设故障信息的概率值；
s62，将所述概率值中的最大概率值对应的所述预设故障信息确定为所述目标故障信息。
可选地，在本实施例中，目标计算方法可以但不限于通过softmax回归模型方法进行计算，根据合并得到的滚动部件特征集计算得到故障信息的概率值，概率值越大就判定是对应的故障信息，从而得到目标故障信息，比如，预设故障信息有a、b、c、d四类故障信息，通过计算出根据滚动部件特判定各类故障信息的概率值分别为a＝0.1、b＝0.3、c＝0.1、d＝0.5，从而确定目标故障信息为d故障信息。
通过以上步骤，根据滚动部件特征集确定多个预设故障信息中每个故障信息的概率值，并将概率值最大的预设故障信息确定为目标故障信息，从而提高了被确定的目标故障信息的准确性。
作为一种可选的实施例，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征之前，所述方法还包括：
s71，获取所述目标设备在历史运行中的历史滚动部件数据集，其中，所述历史滚动部件数据集包括所述滚动部件的结构参数、振动信号、结构特征、振动信号特征以及故障诊断信息；
s72，根据所述历史滚动部件数据集对初始bp残差神经网络模型、初始深度残差卷积神经网络模型以及初始故障诊断模型进行训练；
s73，在所述初始bp残差神经网络模型对应的第一损失函数值、所述初始深度残差卷积神经网络模型对应的第二损失函数值以及所述初始故障诊断模型对应的第三损失函数值满足目标条件的情况下，结束训练以得到所述bp残差神经网络模型、所述深度残差卷积神经网络模型以及所述故障诊断模型。
可选地，在本实施例中，通过计算训练中的各个神经网络模型的损失函数值，根据各个模型的损失函数值确定是否需要停止对初始神经网络模型的训练，比如，设置模型训练次数为100次，在每次训练时，都会有一个总损失函数值loss，总损失函数值loss为初始bp残差神经网络模型对应的第一损失函数值lbp、初始深度卷积残差神经网络模型对应的第二损失函数值lconv、初始故障诊断模型对应的第三损失函数值lclf之和，在每次训练时都会计算一次损失函数值loss，损失函数值loss越小则证明模型收敛效果越好，当损失函数小于一个设定值(比如：5、4.5、4等)时，证明训练的模型满足收敛要求，模型训练完成。
可选地，在本实施例中，为防止神经网络训练过程中因神经网络层数过多导致的梯度消失或者梯度爆炸等问题，可以但不限于采用残差恒等捷径的方法，因为训练神经网络模型是通过调整模型中的参数实现的，有多少层网络就会有多少层参数，比如，五层网络那么最后利用梯度下降训练时，参数就是r1*r2*r3*r4*r5，如果层数很多时则会出现r1*r2*r3…*rn,此时如果所有的参数r＝0.1,那么乘到最后这个值几乎为0造成没办法更新了，而加入这个残差捷径那么，最后不是相乘的形式，是相加的形式r1+r2+r3+r4…+rn，从而解决了梯度消失以及梯度爆炸的问题。
图3是根据本申请实施例的一种可选的故障诊断的流程图，用于对设备内的轴承进行故障诊断，如图3所示：
步骤s301，获取目标设备的待测轴承部件的轴承结构参数。
步骤s302，因在目标设备上获取的结构参数具有不同的数量级，为了消除参数与参数之间的量纲影响，需要对获取到的轴承结构数据进行标准化预处理，以便参数之间具有可比性，数据预处理的方法可以采用z-score数据预处理法，使预处理后的参数符合标准正态分布。
步骤s303，将进行数据预处理后的轴承结构参数输入到训练好的深度神经网络模型，该深度神经网络模型可以是bp残差神经网络模型，从而可在该模型中提取出对应的目标结构特征。
步骤s304，获取目标设备在运行过程中的轴承振动信号，轴承振动信号可以是通过安装在目标设备中的传感器检测得到的。
步骤s305，因为轴承振动信号属于混叠信号，因此需要对从目标设备上获取到的轴承振动信号进行信号分解，从而获取滚动轴承振动信号的平稳分量信号，信号分解的方法可以但不限于是经验模态分解法。
步骤s306，将分解后的轴承振动信号输入至训练好的卷积神经网络模型中，从而可在该模型中提取出对应的目标振动信号特征。
步骤s307，通过对深度神经网络模型以及卷积神经网络模型中的本质特征提取，从而可得到滚动轴承的目标结构特征以及目标结构信号特征。
步骤s308，根据获取到的目标结构特征以及目标振动信号特征，并根据故障诊断模型从而可生成发该轴承的目标故障信息。
图4是根据本申请实施例的一种可选的轴承故障诊断模型框架图，用于对轴承进行故障信息诊断，如图4所示，将获取到的轴承结构特征经过数据预处理从而消除不同数量级造成的量纲影响，并将处理后的结构参数输入到bp残差神经网络模型中，并在bp残差神经网络的各层中提取出轴承结构特征；将获取到的轴承震动信号特征通过经验模态分解法进行分解，从而得到多个平稳的振动信号分量，将分解后的各个振动信号分量输入到卷积残差神经网络模型中，从卷积残差神经网络模型的各层中提取出轴承振动信号特征；将从神经网络模型中提取出的轴承结构特征以及轴承振动特征进行合并，得到合并后的轴承本质特征，对得到的轴承本质特征使用故障诊断模型进行故障诊断，进而生成了该轴承对应的故障信息。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述目标故障信息的确定方法的目标故障信息的确定装置。图5是根据本申请实施例的一种可选的目标故障信息的确定装置的示意图，如图5所示，该装置可以包括：
第一获取模块52，用于在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；
确定模块54，用于根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
需要说明的是，该实施例中的第一获取模块52可以用于执行本申请实施例中的步骤s202，该实施例中的确定模块54可以用于执行本申请实施例中的步骤s204。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
通过上述模块，可以解决了滚动部件故障诊断的及时性以及准确性较差的技术问题，进而达到提高滚动部件故障诊断的及时性以及准确性的技术效果。
作为一种可选的实施例，所述确定模块包括：生成单元，用于通过特征生成模型生成与所述参考结构参数对应的目标结构特征，以及与所述参考振动信号数据对应的目标振动信号特征；确定单元，用于根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的目标故障信息。
作为一种可选的实施例，所述生成单元用于：通过bp残差神经网络模型生成与所述参考结构参数对应的目标结构特征；通过深度残差卷积神经网络模型生成与所述参考振动信号数据对应的目标振动信号特征。
作为一种可选的实施例，所述生成单元用于：对所述参考结构参数进行归一化处理，以得到处理后的目标结构参数；通过所述bp残差神经网络模型生成与所述目标结构参数对应的所述目标结构特征。
作为一种可选的实施例，所述生成单元用于：根据经验模态分解处理法对所述参考振动信号数据进行分解处理，以得到分解后的目标振动信号数据；通过所述深度残差卷积神经网络模型生成与所述目标振动信号数据对应的所述目标振动信号特征。
作为一种可选的实施例，所述确定单元用于：将所述目标结构特征和所述目标振动信号特征合并，以得到滚动部件特征集；通过故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息。
作为一种可选的实施例，所述确定单元用于利用所述故障诊断模型执行以下操作以生成所述目标故障信息：对所述滚动部件特征集进行目标计算，以确定所述滚动部件被确定为多个预设故障信息中包括的每个所述预设故障信息的概率值；将所述概率值中的最大概率值对应的所述预设故障信息确定为所述目标故障信息。
作为一种可选的实施例，所述装置还包括：第二获取模块，用于通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征之前，获取所述目标设备在历史运行中的历史滚动部件数据集，其中，所述历史滚动部件数据集包括所述滚动部件的结构参数、振动信号、结构特征、振动信号特征以及故障诊断信息；训练模块，用于根据所述历史滚动部件数据集对初始bp残差神经网络模型、初始深度残差卷积神经网络模型以及初始故障诊断模型进行训练；处理模块，用于在所述初始bp残差神经网络模型对应的第一损失函数值、所述初始深度残差卷积神经网络模型对应的第二损失函数值以及所述初始故障诊断模型对应的第三损失函数值满足目标条件的情况下，结束训练以得到所述bp残差神经网络模型、所述深度残差卷积神经网络模型以及所述故障诊断模型。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请实施例的另一个方面，还提供了一种用于实施上述目标故障信息的确定方法的电子装置。
图6是根据本申请实施例的一种电子装置的结构框图，如图6所示，该电子装置可以包括：一个或多个(图中仅示出一个)处理器601、存储器603、以及传输装置605，如图6所示，该电子装置还可以包括输入输出设备607。
其中，存储器603可用于存储软件程序以及模块，如本申请实施例中的目标故障信息的确定方法和装置对应的程序指令/模块，处理器601通过运行存储在存储器603内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标故障信息的确定方法。存储器603可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器603可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置605用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置605包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置605为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器603用于存储应用程序。
处理器601可以通过传输装置605调用存储器603存储的应用程序，以执行下述步骤：在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
采用本申请实施例，提供了一种目标故障信息的确定方法和装置的方案。通过不同的滚动部件在正常工作时会产生不同的振动信号，通过获取运行过程中的目标设备的滚动部件的参考结构参数以及参考振动信号数据，并根据获取的滚动部件的参考结构参数以及参考振动信号数据进行故障诊断，从而可以实现在目标设备还能处于工作状态时确定滚动部件的目标故障信息，达到了在滚动部件故障不严重时或者造成损失前及时对故障的滚动部件进行维修的目的，从而实现了提高滚动部件故障诊断的及时性以及准确性的技术效果，进而解决了滚动部件故障诊断的及时性以及准确性较差的技术问题。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图6所示的结构仅为示意，电子装置可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等电子设备。图6其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令电子设备相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行目标故障信息的确定方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。
另外，在本申请各个实施例中的各功能单元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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
1.一种目标故障信息的确定方法，其特征在于，包括：
在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；
根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
2.根据权利要求1所述的方法，其特征在于，根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的所述目标故障信息包括：
通过特征生成模型生成与所述参考结构参数对应的目标结构特征，以及与所述参考振动信号数据对应的目标振动信号特征；
根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的目标故障信息。
3.根据权利要求2所述的方法，其特征在于，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征包括：
通过bp残差神经网络模型生成与所述参考结构参数对应的目标结构特征；
通过深度残差卷积神经网络模型生成与所述参考振动信号数据对应的目标振动信号特征。
4.根据权利要求3所述的方法，其特征在于，通过所述bp残差神经网络模型生成与所述参考结构参数对应的所述目标结构特征包括：
对所述参考结构参数进行归一化处理，以得到处理后的目标结构参数；
通过所述bp残差神经网络模型生成与所述目标结构参数对应的所述目标结构特征。
5.根据权利要求3所述的方法，其特征在于，通过所述深度残差卷积神经网络模型生成与所述参考振动信号数据对应的所述目标振动信号特征包括：
根据经验模态分解处理法对所述参考振动信号数据进行分解处理，以得到分解后的目标振动信号数据；
通过所述深度残差卷积神经网络模型生成与所述目标振动信号数据对应的所述目标振动信号特征。
6.根据权利要求2所述的方法，其特征在于，根据所述目标结构特征以及所述目标振动信号特征确定所述滚动部件的所述目标故障信息包括：
将所述目标结构特征和所述目标振动信号特征合并，以得到滚动部件特征集；
通过故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息。
7.根据权利要求6所述的方法，其特征在于，通过所述故障诊断模型生成与所述滚动部件特征集对应的所述目标故障信息包括利用所述故障诊断模型执行以下操作以生成所述目标故障信息：
对所述滚动部件特征集进行目标计算，以确定所述滚动部件被确定为多个预设故障信息中包括的每个所述预设故障信息的概率值；
将所述概率值中的最大概率值对应的所述预设故障信息确定为所述目标故障信息。
8.根据权利要求7所述的方法，其特征在于，通过所述特征生成模型生成与所述参考结构参数对应的所述目标结构特征，以及与所述参考振动信号数据对应的所述目标振动信号特征之前，所述方法还包括：
获取所述目标设备在历史运行中的历史滚动部件数据集，其中，所述历史滚动部件数据集包括所述滚动部件的结构参数、振动信号、结构特征、振动信号特征以及故障诊断信息；
根据所述历史滚动部件数据集对初始bp残差神经网络模型、初始深度残差卷积神经网络模型以及初始故障诊断模型进行训练；
在所述初始bp残差神经网络模型对应的第一损失函数值、所述初始深度残差卷积神经网络模型对应的第二损失函数值以及所述初始故障诊断模型对应的第三损失函数值满足目标条件的情况下，结束训练以得到所述bp残差神经网络模型、所述深度残差卷积神经网络模型以及所述故障诊断模型。
9.一种目标故障信息的确定装置，其特征在于，包括：
第一获取模块，用于在目标设备运行过程中，获取滚动部件的参考结构参数以及参考振动信号数据，其中，所述滚动部件为所述目标设备包括的部件；
确定模块，用于根据所述参考结构参数以及所述参考振动信号数据确定所述滚动部件的目标故障信息。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至8任一项中所述的方法。
11.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至8任一项中所述的方法。
技术总结