应用于五金制品控制系统的故障检测方法及系统与流程

本技术涉及计算机，具体而言，涉及一种应用于五金制品控制系统的故障检测方法及系统。

背景技术：

1、在五金制品的生产过程中，控制系统的稳定性和可靠性对于确保产品质量和生产效率至关重要。然而，由于五金制品控制系统的复杂性，传统的单一故障诊断方法往往难以全面、准确地识别出系统中的潜在故障。特别是在面对复杂多变的控制路径数据时，传统方法容易出现误判或漏判的情况，给生产带来不必要的损失。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种应用于五金制品控制系统的故障检测方法及系统。

2、依据本技术的第一方面，提供一种应用于五金制品控制系统的故障检测方法，应用于故障诊断系统，所述方法包括：

3、利用x个故障诊断网络，分别对五金制品控制系统的待进行故障诊断的目标五金制品控制路径数据进行故障诊断，生成所述目标五金制品控制路径数据属于目标故障类别数据的x个故障诊断置信度，所述x为大于1的正整数；

4、确定所述x个故障诊断网络对应的故障诊断门限值，所述故障诊断门限值用于确定所述目标五金制品控制路径数据是否为所述目标故障类别数据；

5、依据所述x个故障诊断置信度和所述故障诊断门限值，确定所述目标五金制品控制路径数据的故障诊断结果；其中，所述x个故障诊断网络是依据第一样例五金制品控制路径数据和第二样例五金制品控制路径数据进行神经网络知识学习生成的，所述第二样例五金制品控制路径数据是gan模型依据所述第一样例五金制品控制路径数据生成的。

6、在第一方面的一种可能的实施方式中，所述依据所述x个故障诊断置信度和所述故障诊断门限值，确定所述目标五金制品控制路径数据的故障诊断结果，包括：

7、确定所述x个故障诊断网络的网络参与系数；

8、依据所述x个故障诊断网络的网络参与系数，对所述x个故障诊断置信度进行融合计算，生成所述目标五金制品控制路径数据的融合故障诊断置信度；

9、依据所述融合故障诊断置信度和所述故障诊断门限值，生成所述故障诊断结果。

10、在第一方面的一种可能的实施方式中，所述x个故障诊断网络的知识学习步骤，包括：

11、利用所述gan模型，对所述第一样例五金制品控制路径数据进行对抗生成，获得所述第二样例五金制品控制路径数据；

12、针对所述第一样例五金制品控制路径数据和所述第二样例五金制品控制路径数据中的任意一个样例五金制品控制路径数据，利用神经网络模型对所述样例五金制品控制路径数据进行编码表示，生成所述样例五金制品控制路径数据的图自编码矢量数据；

13、利用所述x个故障诊断网络对所述样例五金制品控制路径数据的图自编码矢量数据进行故障诊断，生成所述样例五金制品控制路径数据属于所述目标故障类别数据的x个故障诊断置信度；

14、针对所述x个故障诊断网络中的每一个故障诊断网络，依据所述故障诊断网络的故障诊断置信度和所述样例五金制品控制路径数据的实际故障诊断数据，确定所述故障诊断网络的故障诊断误差，并依据所述故障诊断误差对所述故障诊断网络进行知识学习。

15、在第一方面的一种可能的实施方式中，所述利用所述gan模型对所述第一样例五金制品控制路径数据进行对抗生成，获得所述第二样例五金制品控制路径数据之前，结束对所述gan模型的知识学习，所述利用所述gan模型对所述第一样例五金制品控制路径数据进行对抗生成，获得所述第二样例五金制品控制路径数据，包括：

16、依据完成知识学习的所述gan模型，对所述第一样例五金制品控制路径数据进行对抗生成，获得所述第二样例五金制品控制路径数据。

17、在第一方面的一种可能的实施方式中，所述利用神经网络模型对所述样例五金制品控制路径数据进行编码表示，生成所述样例五金制品控制路径数据的图自编码矢量数据之前，结束对所述神经网络模型的知识学习，所述神经网络模型的的知识学习步骤，包括：

18、利用所述神经网络模型中的编码模块，对第三样例五金制品控制路径数据进行编码表示，生成所述第三样例五金制品控制路径数据的图自编码矢量数据；

19、利用所述神经网络模型中的解码模块，对所述第三样例五金制品控制路径数据的图自编码矢量数据进行对抗生成，获得所述第三样例五金制品控制路径数据的故障诊断置信度；

20、依据所述第三样例五金制品控制路径数据的故障诊断置信度和所述第三样例五金制品控制路径数据的实际故障诊断数据，对所述神经网络模型进行知识学习；

21、所述利用神经网络模型对所述样例五金制品控制路径数据进行编码表示，生成所述样例五金制品控制路径数据的图自编码矢量数据，包括：

22、依据完成知识学习的所述神经网络模型中的编码模块，对所述样例五金制品控制路径数据进行编码表示，生成所述样例五金制品控制路径数据的图自编码矢量数据。

23、在第一方面的一种可能的实施方式中，所述x个故障诊断网络的网络参与系数与所述x个故障诊断网络一起进行神经网络知识学习生成的，所述x个故障诊断网络的网络参与系数的的知识学习步骤，包括：

24、利用第m-1个知识学习阶段生成的x个故障诊断网络，对第m个知识学习阶段样例五金制品控制路径数据进行故障诊断，生成所述第m个知识学习阶段的x个故障诊断置信度，所述m为正整数；

25、依据所述第m个知识学习阶段的x个故障诊断置信度和所述第m-1个知识学习阶段的网络参与系数，确定所述第m个知识学习阶段样例五金制品控制路径数据在第m个知识学习阶段的融合故障诊断置信度；

26、依据所述第m个知识学习阶段样例五金制品控制路径数据在第m个知识学习阶段的融合故障诊断置信度和所述第m个知识学习阶段样例五金制品控制路径数据的实际故障诊断数据，确定所述x个故障诊断网络在第m个知识学习阶段的故障诊断误差；

27、依据所述第m个知识学习阶段的故障诊断误差，对所述第m-1个知识学习阶段的网络参与系数进行调整，生成所述x个故障诊断网络在第m个知识学习阶段的网络参与系数。

28、在第一方面的一种可能的实施方式中，所述故障诊断门限值与所述x个故障诊断网络一起进行神经网络知识学习生成的，所述故障诊断门限值的的知识学习步骤，包括：

29、利用第m-1个知识学习阶段生成的x个故障诊断网络，对第m个知识学习阶段样例五金制品控制路径数据进行故障诊断，生成所述第m个知识学习阶段的x个故障诊断置信度，所述m为正整数；

30、依据所述第m个知识学习阶段的x个故障诊断置信度和所述x个故障诊断网络在第m-1个知识学习阶段的网络参与系数，确定所述第m个知识学习阶段样例五金制品控制路径数据的融合故障诊断置信度；

31、依据所述第m个知识学习阶段样例五金制品控制路径数据的融合故障诊断置信度、所述第m个知识学习阶段样例五金制品控制路径数据的实际故障诊断数据和所述第m-1个知识学习阶段的故障诊断门限值，确定所述x个故障诊断网络在第m个知识学习阶段的性能参数值；

32、依据所述第m个知识学习阶段的性能参数值，确定所述第m个知识学习阶段的门限值设置参数；

33、依据所述第m个知识学习阶段的门限值设置参数，确定所述第m个知识学习阶段的故障诊断门限值。

34、在第一方面的一种可能的实施方式中，生成所述第m个知识学习阶段的故障诊断门限值后对所述第m个知识学习阶段的故障诊断门限值的测试，所述第m个知识学习阶段的故障诊断门限值的测试过程包括：

35、利用第m个知识学习阶段生成的所述x个故障诊断网络，对候选样例控制路径数据进行故障诊断，生成所述候选样例控制路径数据的x个故障诊断置信度；

36、依据所述候选样例控制路径数据的x个故障诊断置信度和所述x个故障诊断网络在第m个知识学习阶段的网络参与系数，确定所述候选样例控制路径数据的融合故障诊断置信度；

37、依据所述候选样例控制路径数据的融合故障诊断置信度、所述第m个知识学习阶段的故障诊断门限值和所述候选样例控制路径数据的实际故障诊断数据，确定第m个知识学习阶段生成的所述x个故障诊断网络的性能参数值；

38、依据第m个知识学习阶段生成的所述x个故障诊断网络的性能参数值，确定所述第m个知识学习阶段的故障诊断门限值的测试结果。

39、在第一方面的一种可能的实施方式中，如果所述第m个知识学习阶段的故障诊断门限值的测试结果为测试通过时，则结束所述x个故障诊断网络和所述故障诊断门限值的调整。

40、依据本技术的第二方面，提供一种故障诊断系统，所述故障诊断系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现前述的应用于五金制品控制系统的故障检测方法。

41、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在监测到所述计算机可执行指令被执行时，实现前述的应用于五金制品控制系统的故障检测方法。

42、依据以上任意一个方面，通过引入多个故障诊断网络（x个，x>1）并行处理目标五金制品控制路径数据，显著提高了故障诊断的准确性和可靠性。该方法利用神经网络知识学习技术，结合生成对抗网络（gan）生成的第二样例数据，有效扩充了训练数据集，增强了模型的泛化能力。通过为每个故障诊断网络设定特定的故障诊断门限值，并综合多个网络的诊断结果（即x个故障诊断置信度），能够更精确地判定目标数据是否属于特定故障类别。此外，不仅提高了故障检测的灵敏度，还减少了误报和漏报的情况，为五金制品控制系统的稳定运行提供了强有力的技术支持，降低了维护成本，提升了生产效率和产品质量。