本发明涉及机械故障诊断，尤其涉及轴承故障诊断模型训练方法、故障诊断方法、装置及设备。
背景技术：
1、轴承作为最常见的机械部件，一旦发生故障会导致大量损失。而随着现代工业的迅速发展以及高速机器需求的增加，轴承故障的风险也随之增加，这也凸显了轴承在确保最佳性能方面的关键作用。因此，进行高效的轴承故障诊断势在必行。
2、近年来，随着计算效率和数据存储能力的进步，对于轴承故障的分类，高斯混合模型(gaussian mixture model，简称gmm)作为一种常用的概率密度估计方法，其结合了参数和非参数估计方法，已被用于通过计算原始轴承数据样本的后验概率进行轴承故障类型诊断。
3、用于轴承故障类型诊断的原始轴承数据包括轴承振动信号数据、轴承温度信号数据、轴承转速信号数据、工作声音信号数据等，为高维数据。并且，原始轴承数据还为时序数据，而时序数据具有混沌特征、信号的尖锐度和对称性，同时轴承振动信号数据中的非线性谐波分量，这些因素导致原始轴承数据为非线性、强噪声、高维度数据集。然而，高斯混合模型在强噪声、高维度和非线性噪声数据集上，其分类准确度会受到影响，且在数据量比较大或者维度比较高时，计算量比较大，这导致基于高斯混合模型的轴承故障诊断模型的训练和故障类型诊断需要消耗较多的计算资源和时间。
技术实现思路
1、本发明旨在至少解决面对存在非线性、强噪声、高维的原始轴承数据，基于高斯混合模型的轴承故障斩断模型的训练和故障类型诊断需要消耗较多的计算资源和时间，且诊断分类准确性较低的技术问题，提供轴承故障诊断模型训练方法、故障诊断方法、装置及设备。
2、为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了轴承故障诊断模型训练方法，包括：获取轴承样本集和轴承样本集的初始特征空间；构建轴承故障诊断模型，所述轴承故障诊断模型包括k个高斯模型，k个高斯模型与k个轴承故障类型一一对应，k为大于或等于2的正整数；对构建的轴承故障诊断模型进行迭代训练：步骤a,去除本次迭代原轴承样本的第j维特征获得新轴承样本,1≤j≤d；d表示轴承样本集的初始特征空间的特征维数；步骤b，基于本次迭代原轴承样本集和新轴承样本集计算第j维特征的条件熵发散指数；步骤c，若第j维特征的条件熵发散指数大于或等于0，利用新轴承样本集更新高斯模型的模型参数，并进入步骤d，否则令j＝j+1，将本次迭代原轴承样本集作为下一次迭代的原轴承样本集，进入下一次迭代；步骤d，若达到训练停止条件，则结束训练，以新轴承样本集的特征空间作为目标特征空间，输出轴承故障诊断模型和目标特征空间，否则令j＝j+1，将新轴承样本集作为下一次迭代的原轴承样本集，进入下一次迭代。
3、为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种轴承故障诊断模型训练装置，用于实现本发明第一方面所述的轴承故障诊断模型训练方法，包括：输入模块，获取轴承样本集和轴承样本集的初始特征空间；构建模块，构建轴承故障诊断模型，所述轴承故障诊断模型包括k个高斯模型，k个高斯模型与k个轴承故障类型一一对应，k为大于或等于2的正整数；训练模块，对构建的轴承故障诊断模型进行迭代训练：步骤a,去除本次迭代原轴承样本的第j维特征获得新轴承样本,1≤j≤d；d表示轴承样本集的初始特征空间的特征维数；步骤b，基于本次迭代原轴承样本集和新轴承样本集计算第j维特征的条件熵发散指数；步骤c，若第j维特征的条件熵发散指数大于或等于0，利用新轴承样本集更新高斯模型的模型参数，并进入步骤d，否则令j＝j+1，将本次迭代原轴承样本集作为下一次迭代的原轴承样本集，进入下一次迭代；步骤d，若达到训练停止条件，则结束训练，以新轴承样本集的特征空间作为目标特征空间，输出轴承故障诊断模型和目标特征空间，否则令j＝j+1，将新轴承样本集作为下一次迭代的原轴承样本集，进入下一次迭代。
4、为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种轴承故障诊断方法，包括：获取待测轴承数据；根据目标特征空间对待测轴承数据进行降维获得降维数据；将降维数据中每维特征数据转换为特征向量，获得测试样本；将测试样本输入预先训练好的轴承故障诊断模型，轴承故障诊断模型的k个高斯模型分别输出其对应轴承故障类型的置信概率；其中，所述目标特征空间和预先训练好的轴承故障诊断模型通过本发明第一方面所述的轴承故障诊断模型训练方法训练获得。
5、为了实现本发明的上述目的，根据本发明的第四个方面，本发明提供了一种轴承故障诊断装置，用于实现本发明第三方面所述的一种轴承故障诊断方法，包括：数据输入模块，用于获取待测轴承数据；降维模块，根据目标特征空间对待测轴承数据进行降维获得降维数据；测试样本生成模块，将降维数据中每维特征数据转换为特征向量，获得测试样本；诊断模块，将测试样本输入预先训练好的轴承故障诊断模型，轴承故障诊断模型的k个高斯模型分别输出其对应轴承故障类型的置信概率；其中，所述目标特征空间和预先训练好的轴承故障诊断模型通过本发明第一方面所述的轴承故障诊断模型训练方法训练获得。
6、为了实现本发明的上述目的，根据本发明的第五个方面，本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本发明第一方面或第三方面所述方法的步骤。
7、为了实现本发明的上述目的，根据本发明的第六个方面，本发明提供了一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面或第三方面所述方法。
8、本发明的有益技术效果：
9、本发明提供的轴承故障诊断模型训练方法、装置、产品及电子设备，在模型训练过程中提出了一种期望选择最大化算法，在每次迭代训练中，首先计算第j维特征的条件熵发散指数，条件熵发散指数能够反映第j维特征对轴承故障诊断模型分类任务的贡献大小，若第j维特征贡献较小(其条件熵发散指数≥0)，则利用删除了第j维特征的新轴承样本集更新每个高斯模型的模型参数，若第j维特征贡献较大，则进入下一次迭代，计算第j+1维特征的条件熵发散指数，如此迭代，直到达到训练停止条件，本发明结合条件熵发散度指数，将特征相关性评估无缝地集成到期望最大化算法的期望和最大化步骤中，简化了维度特征的选择，且提出的期望选择最大化算法与高斯混合模型原则相一致，可以有效地处理包含依赖和独立特征的数据集，确保收敛，对轴承样本集的特征空间进行了降维，减少了轴承故障诊断模型训练过程中的计算量，为进一步对原始轴承数据降维，还使用了加权主成分分析算法减少信息冗余，简化了模型训练过程中的搜索过程和高斯混合模型的参数估计，进一步减少了计算资源和时间的消耗，轴承故障诊断模型采用后验概率对轴承状态进行故障分类，可以在强噪声、非线性数据和高维数据情况下自动识别信息丰富特征，提高故障类型诊断准确性。
10、本发明提供的轴承故障诊断方法、装置、产品及电子设备，依靠本发明提供的轴承故障诊断模型训练方法获得轴承故障诊断模型进行轴承故障诊断，首先按照目标特征空间对待测轴承数据进行降维和特征向量转换获得测试样本，再将测试样本输入预先训练好的轴承故障诊断模型获得每个故障类别的置信概率，基于置信概率大小获得最终的故障类型，通过目标特征空间减少信息冗余实现降维，仅保留与故障检测相关性最高的特征维度，可以对高噪声、非线性和高维的待测轴承数据进行准确诊断。
1.轴承故障诊断模型训练方法，其特征在于，包括：
2.如权利要求1所述的轴承故障诊断模型训练方法，其特征在于，第j维特征的条件熵发散指数的计算过程包括：
3.如权利要求2所述的轴承故障诊断模型训练方法，其特征在于，所述计算第一条件熵和的过程为：
4.如权利要求1所述的轴承故障诊断模型训练方法，其特征在于，第j维特征的条件熵发散指数cedj的计算公式为：
5.如权利要求1-4之一所述的轴承故障诊断模型训练方法，其特征在于，所述轴承样本集获取过程包括：
6.一种轴承故障诊断模型训练装置，其特征在于，用于实现权利要求1-5之一所述的轴承故障诊断模型训练方法，包括：
7.一种轴承故障诊断方法，其特征在于，包括：
8.一种轴承故障诊断装置，其特征在于，用于实现权利要求7所述的一种轴承故障诊断方法，包括：
9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-5、7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，所述电子设备包括：
