本技术涉及故障预测，特别涉及一种网络权重梯度特征融合数字孪生故障预测方法和装置。
背景技术：
1、数字孪生在工业制造领域的应用得到广泛研究，通过将传感器数据与数字孪生模型相连接，可以实时监测设备状态和性能，并进行预测性维护。这有助于提前发现设备故障和异常，减少停机时间，降低维修成本，并提高设备的可靠性和寿命。旋转机械作为生产加工制造中的重要机械设备，对旋转机械进行故障预测是实现工厂智能制造健康管理的前提。
2、随着制造设备复杂度不断提高，工业物联网迅速发展，工业现场数据量激增。传统专家系统故障预测方法需要领域专家设计大量规则，人工成本高，学习能力及可移植性差，无法适应复杂工业场景；监督式机器学习方法(例如，径向基函数神经网络、反向传播神经网络)的拟合能力和表示性差，不足以应对海量的机械数据，因而故障诊断和预测性能不理想。
3、数字孪生采用物理模型、传感器更新、历史运行等数据，在虚拟空间中完成映射，从而反映相对应机械实体的全生命周期过程，解决了传统机器学习方法的上述问题。采用数据驱动方式构建模型的深度数字孪生方法，虽然可充分挖掘大量旋转机械数据，以数字化方式创建复杂物理实体的深层虚拟模型，拟合能力强，可评估实体的健康状况，实现故障预测。但现有的深度数字孪生方法需要大量旋转机械数据进行复杂的计算，导致故障预测的效率较低。因此，针对大量旋转机械数据，如何实现高效、准确的故障预测是亟待解决的技术问题。
技术实现思路
1、鉴于上述问题，本技术实施例提供了一种网络权重梯度特征融合数字孪生故障预测方法和装置，以便克服上述问题或者至少部分地解决上述问题。
2、本技术实施例的第一方面，公开了一种网络权重梯度特征融合数字孪生故障预测方法，所述方法包括：
3、传感端节点对振动信号进行时频特征提取，得到输入样本，所述振动信号是采集的旋转机械振动的一维时域序列；
4、边缘节点根据生成式对抗网络生成服从健康样本分布的生成样本，并根据所述输入样本和所述生成样本之间的相似度，得到初级异常分数，所述生成式对抗网络学习了从正态分布的随机噪声到健康样本分布的映射；
5、在所述初级异常分数表征故障的情况下，云端节点根据所述输入样本和所述生成样本在所述生成式对抗网络中的权重梯度特征，得到最终异常分数，所述权重梯度特征包含评价所述输入样本是否符合健康样本规律的信息；
6、根据所述最终异常分数，得到故障预测结果。
7、可选地，云端节点根据所述输入样本和所述生成样本在所述生成式对抗网络中的权重梯度特征，得到最终异常分数，包括：
8、根据所述输入样本和所述生成样本，计算不同权重梯度特征的异常分数；
9、对所述不同权重梯度特征的异常分数进行标准化处理和筛选，得到多个待融合分数；
10、将所述待融合分数进行融合，得到最终异常分数。
11、可选地，所述权重梯度特征的异常分数包括：第一权重梯度特征的异常分数、第二梯度特征的异常分数、第三梯度特征的异常分数、第四梯度特征的异常分数；所述生成式对抗网络包括生成器和鉴别器；
12、根据所述输入样本和所述生成样本，计算不同权重梯度特征的异常分数，包括：
13、根据所述输入样本和所述生成样本在所述鉴别器中目标函数的权重梯度特征，得到第一权重梯度特征的异常分数，所述目标函数包括：所述判别器对所述输入样本的评分、所述判别器对所述生成样本的评分；
14、根据所述输入样本和所述生成样本在所述鉴别器中的特征匹配损失项的权重梯度特征，得到第二权重梯度特征的异常分数；
15、根据所述输入样本和所述生成样本在样本空间的残差的权重梯度特征，得到第三权重梯度特征的异常分数；
16、根据所述输入样本和所述生成样本在所述生成器和所述鉴别器中第k层网络的权重梯度特征，得到第四权重梯度特征的异常分数。
17、可选地，对所述不同权重梯度特征的异常分数进行标准化处理和筛选，得到多个待融合分数，包括：
18、根据训练所述生成式对抗网络的健康样本的异常分数均值和异常分数标准差，对所述不同权重梯度特征的异常分数进行标准化处理，得到多种标准化处理的异常分数；
19、将所述初级异常分数作为基准指标，分别计算所述多种标准化处理的异常分数与所述基准指标之间的皮尔逊相关系数；
20、根据所述皮尔逊相关系数，从所述多种标准化处理的异常分数中确定出多个待融合分数。
21、可选地，边缘节点根据生成式对抗网络生成服从健康样本分布的生成样本，包括：
22、基于相似度指标，在所述生成式对抗网络的潜在空间搜索目标样本，所述相似度指标包括：2-范数、特征匹配损失项和鉴别器高层特征的余弦相似度；
23、将与所述输入样本相似度最大的目标样本，确定为所述生成样本。
24、可选地，根据所述最终异常分数，得到故障预测结果，包括：
25、在所述最终异常分数大于异常分数阈值的情况下，确定所述故障预测结果为故障；
26、在所述最终异常分数不大于异常分数阈值的情况下，确定所述故障预测结果为健康；
27、其中，所述异常分数阈值是根据用于训练所述生成式对抗网络的健康样本的异常分数序列确定的。
28、可选地，端节点对振动信号进行时频特征提取，得到输入样本，包括：
29、对振动信号依次截取样本波段，并对所述样本波段进行一维连续小波变换取模，得到初始二维时频特征图；
30、对所述初始二维时频特征图进行插值和重采样处理，得到二维时频特征图；
31、对所述二维时频特征图标准化和数值范围约束，得到输入样本。
32、本技术实施例的第二方面，公开了一种网络权重梯度特征融合数字孪生故障预测装置，所述装置包括：
33、特征提取模块，用于传感端节点对振动信号进行时频特征提取，得到输入样本，所述振动信号是采集的旋转机械振动的一维时域序列；
34、初级故障模块，用于边缘节点根据生成式对抗网络生成服从健康样本分布的生成样本，并根据所述输入样本和所述生成样本之间的相似度，得到初级异常分数，所述生成式对抗网络学习了从正态分布的随机噪声到健康样本分布的映射；
35、最终故障模块，用于在所述初级异常分数表征故障的情况下，云端节点根据所述输入样本和所述生成样本在所述生成式对抗网络中的权重梯度特征，得到最终异常分数，所述权重梯度特征包含评价所述输入样本是否符合健康样本规律的信息；
36、预测结果模块，用于根据所述最终异常分数，得到故障预测结果。
37、本技术实施例的第三方面，公开了一种电子设备，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，所述处理器执行所述计算机程序时实现本技术实施例第一方面所述的网络权重梯度特征融合数字孪生故障预测方法的步骤。
38、本技术实施例的第四方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例第一方面所述的网络权重梯度特征融合数字孪生故障预测方法的步骤。
39、本技术实施例包括以下优点：
40、在本技术实施例中，传感端节点对振动信号进行时频特征提取，得到输入样本，所述振动信号是采集的旋转机械振动的一维时域序列；接着边缘节点根据生成式对抗网络生成服从健康样本分布的生成样本，并根据所述输入样本和所述生成样本之间的相似度，得到初级异常分数，所述生成式对抗网络学习了从正态分布的随机噪声到健康样本分布的映射；在所述初级异常分数表征故障的情况下，云端节点根据所述输入样本和所述生成样本在所述生成式对抗网络中的权重梯度特征，得到最终异常分数，所述权重梯度特征包含评价所述输入样本是否符合健康样本规律的信息；最后根据所述最终异常分数，得到故障预测结果。
41、该方法通过生成式对抗网络生成服从健康样本分布的生成样本(即输入样本的数字孪生)，以基于该生成样本与输入样本之间的相似性，识别出不符合健康样本分布规律的故障样本。利用神经网络权重对输入样本的权重梯度特征中含有的评价输入样本是否符合训练样本(即健康样本)规律的信息，充分挖掘生成式对抗网络识别异常样本的能力，基于权重梯度特征得到输入样本的故障分数，实现无监督故障预测。
42、并且，考虑到计算基于权重梯度特征的故障分数需要较大计算量，提出边缘计算架构以降低反应延迟，将方法推理过程分配到传感端节点、边缘节点和云端节点；只有当边缘节点的初级异常分数表征为故障时，才将输入样本上传到云端节点进行基于权重梯度特征的高准确性预测，从而在预测性能与反应延迟之间取得平衡。如此，实现高效、准确的故障预测。
1.一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，云端节点根据所述输入样本和所述生成样本在所述生成式对抗网络中的权重梯度特征，得到最终异常分数，包括：
3.根据权利要求2所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，所述权重梯度特征的异常分数包括：第一权重梯度特征的异常分数、第二梯度特征的异常分数、第三梯度特征的异常分数、第四梯度特征的异常分数；所述生成式对抗网络包括生成器和鉴别器；
4.根据权利要求2所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，对所述不同权重梯度特征的异常分数进行标准化处理和筛选，得到多个待融合分数，包括：
5.根据权利要求1所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，边缘节点根据生成式对抗网络生成服从健康样本分布的生成样本，包括：
6.根据权利要求1所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，根据所述最终异常分数，得到故障预测结果，包括：
7.根据权利要求1所述的一种网络权重梯度特征融合数字孪生故障预测方法，其特征在于，端节点对振动信号进行时频特征提取，得到输入样本，包括：
8.一种网络权重梯度特征融合数字孪生故障预测装置，其特征在于，所述装置包括：
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的网络权重梯度特征融合数字孪生故障预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一项所述的网络权重梯度特征融合数字孪生故障预测方法的步骤。
