基于跨通道门控与残差收缩网络的轴承故障深度回归方法及系统
本发明涉及旋转机械故障诊断与智能运维,具体涉及基于跨通道门控与残差收缩网络的轴承故障深度回归方法及系统。
背景技术:
1、内燃机、燃气轮机、离心泵、压缩机等旋转机械广泛应用于能源、石化、装备制造等行业,是国民经济关键基础设施的重要组成部分。设备能否长期稳定运行,直接关系到生产线的连续性与企业的经济效益;一旦关键部件发生突发性失效,往往会造成停产检修、产能损失,甚至引发安全事故。轴承、齿轮、转子等核心零件在长期高速运转、载荷波动及复杂环境作用下,容易出现磨损加剧、疲劳裂纹扩展、表面剥落等问题。面向上述需求,发展能够在线感知设备状态、及早发现故障征兆并辅助决策的智能诊断技术,已成为旋转机械智能化运维的重要研究方向,对提升重大装备本质安全水平与运行可靠性具有显著工程意义。
2、目前,旋转机械故障诊断主要采用基于信号处理与专家经验相结合的传统方法。该类方法依托时频分析、包络谱、经验模态分解等信号处理手段,从原始监测信号中提取人工设计的特征向量,再采用支持向量机、神经网络等模式识别模型完成故障分类判别。然而,上述流程对先验知识与人工调参依赖较强,特征提取与分类判别环节相互独立,难以实现端到端的联合优化;在工况多变、噪声干扰明显或样本有限时,泛化性能往往受限,难以满足复杂工程场景下的实际诊断需求。
3、近年来,以深度神经网络为代表的智能诊断方法发展迅速。其中,卷积神经网络能够自动从原始信号中学习层次化表征,减少繁琐的手工特征设计过程,在机械振动等一维时序数据上展现出良好的端到端建模能力。基于一维卷积网络的故障识别方法逐步成为研究主流之一,为从原始监测数据直接挖掘故障信息提供了新的技术路径。然而,在实际工程现场中,通常采用多路异构传感器进行同步采集,除单通道振动信号外,往往还需融合齿轮箱振动、扭矩、转速、电流、电压、位移及声学等多物理量信息。现有基于一维卷积神经网络的诊断框架大多对多通道信号采用直接拼接或固定权重融合方式,难以根据各通道在当前时间窗口内的信号质量与故障敏感性进行逐样本自适应加权;当部分通道噪声偏大或传感器异常时,容易造成有效故障特征被低质量通道信号稀释,从而影响诊断准确率。
4、此外,现有卷积神经网络在特征提取过程中缺乏对背景噪声分量的针对性抑制机制,在强噪声工况下对微弱冲击特征的保真能力不足;编码后若仅采用全局平均池化进行特征聚合,难以充分刻画长窗口信号中的时序演化规律。在故障诊断任务设计方面,现有方法多将故障分类与损伤深度估计简化为单一回归头或多任务单头结构,内圈故障与外圈故障的损伤形成机理不同、正常样本无损伤深度等特点未得到充分建模,导致损伤深度的细粒度回归精度受限。
5、综上所述,现有轴承故障诊断方法在多通道异构传感器自适应融合、强噪声背景下微弱故障冲击特征提取、以及故障分类与损伤深度联合估计等方面仍存在明显不足,亟需一种能够实现多通道自适应加权融合、抗噪深度特征提取以及故障识别与损伤深度联合估计的轴承故障诊断方法。
技术实现思路
1、为了克服现有技术的不足,本发明的目的之一在于提供基于跨通道门控与残差收缩网络的轴承故障深度回归方法,其通过跨通道门控实现多通道自适应加权融合,通过深度残差收缩网络提取抗噪故障特征,并通过多任务诊断模块实现故障分类与损伤程度估计的协同诊断。
2、为实现本发明的目的之一,采用如下方案:
3、基于跨通道门控与残差收缩网络的轴承故障深度回归方法,包括以下步骤:
4、s1、获取多通道传感器同步采集的轴承运行状态监测信号,并对所述监测信号进行预处理,得到多通道时序样本;
5、s2、将所述多通道时序样本输入跨通道门控模块;所述跨通道门控模块分别计算各通道的时域能量描述值,由各通道的时域能量描述值构成时域能量描述向量,根据所述时域能量描述向量生成动态权重,并利用所述动态权重对各通道信号进行加权融合,得到加权多通道信号;
6、s3、将所述加权多通道信号输入深度残差收缩网络,所述深度残差收缩网络包含自适应软阈值收缩层,用于抑制背景噪声并提取故障特征,输出特征表示;
7、s4、将所述特征表示输入多任务诊断模块,所述多任务诊断模块包括一个分类头和多个回归头,所述分类头用于识别轴承的状态类别,各所述回归头分别对应不同的故障类型,用于估计对应类型的损伤程度;根据所述分类头的识别结果,从各所述回归头中选择对应的回归头输出损伤程度估计值。
8、进一步地,步骤s1中,所述预处理包括:对所述监测信号进行时间对齐,采用滑窗法切分为固定长度的多通道时间序列样本,并对所述样本进行标准化处理,以消除不同物理量通道的量纲差异。
9、进一步地,步骤s2中,所述跨通道门控模块生成动态权重的方式为:
10、分别计算各通道的时域能量描述值,其中表示第个通道在第个时间点的信号值,表示时间长度;
11、由各通道的时域能量描述值构成描述向量,将所述描述向量输入两层全连接网络得到通道打分,并经过归一化得到各通道的动态权重;
12、将各通道的动态权重分别施加于对应通道在当前时序样本内的各时间点,得到加权多通道信号,实现多通道信号的自适应融合。
13、进一步地,步骤s3中,所述深度残差收缩网络包含初始卷积茎干和多个残差收缩块,每个残差收缩块内嵌有所述自适应软阈值收缩层;
14、所述自适应软阈值收缩层根据当前特征图的全局统计量自适应确定阈值,并对特征图执行软阈值收缩操作,以在抑制噪声分量的同时保留故障冲击特征。
15、进一步地,在步骤s3与步骤s4之间还包括:
16、将步骤s3输出的所述特征表示输入双向长短期记忆网络进行时序增强,并对时序增强后的输出沿时间维取平均,得到窗口级特征向量;
17、所述窗口级特征向量再输入所述多任务诊断模块。
18、进一步地,步骤s4所采用的多任务诊断模块通过如下训练过程获得:
19、采用联合损失函数对所述多任务诊断模块进行训练,所述联合损失函数包括分类损失和回归损失;
20、所述分类损失根据分类头输出的状态类别预测概率与真实状态类别标签计算得到;
21、训练阶段以所述真实状态类别标签作为回归头的路由依据,当所述真实状态类别标签为故障类别时,仅根据与该故障类别对应的回归头输出值和损伤程度标签计算回归损失,其他回归头不参与所述回归损失的计算;
22、当所述真实状态类别标签为正常状态时,该正常样本不参与回归损失计算,其对应的回归损失项取0。
23、进一步地,步骤s4中,所述分类损失采用交叉熵损失,所述回归损失采用平滑l1损失;
24、所述平滑l1损失的平滑参数取值为0.2;
25、不同回归头的回归损失权重采用可学习参数自适应调整。
26、进一步地,步骤s4中,所述轴承状态类别至少包括正常状态、内圈故障状态和外圈故障状态;
27、各所述回归头至少包括内圈专用回归头和外圈专用回归头;
28、当分类头识别为正常时,损伤程度输出为0;
29、当识别为内圈故障时,调用内圈专用回归头输出损伤程度;
30、当识别为外圈故障时,调用外圈专用回归头输出损伤程度。
31、进一步地,步骤s4中,所述损伤程度为刻蚀损伤深度,其单位为毫米;所述方法采用端到端联合训练方式,利用优化器对网络参数进行训练。
32、本发明的目的之二在于提供基于跨通道门控与残差收缩网络的轴承故障深度回归系统,其通过跨通道门控实现多通道自适应加权融合,通过深度残差收缩网络提取抗噪故障特征,并通过多任务诊断模块实现故障分类与损伤程度估计的协同诊断。
33、为实现本发明的目的之二,采用如下方案:
34、基于跨通道门控与残差收缩网络的轴承故障深度回归系统,包括:
35、数据获取与预处理模块,用于获取多通道传感器同步采集的轴承运行状态监测信号,并对所述监测信号进行预处理,得到多通道时序样本;
36、跨通道门控模块,用于接收所述多通道时序样本,分别计算各通道的时域能量描述值,由各通道的时域能量描述值构成时域能量描述向量,根据所述时域能量描述向量生成动态权重,并利用所述动态权重对各通道信号进行加权融合,得到加权多通道信号;
37、深度残差收缩网络编码器模块,包含深度残差收缩网络,所述深度残差收缩网络含有自适应软阈值收缩层,用于接收所述加权多通道信号,抑制背景噪声并提取故障特征,输出特征表示;
38、多任务诊断模块,包括一个分类头和多个回归头,用于接收所述特征表示,所述分类头用于识别轴承的状态类别,各所述回归头分别对应不同的故障类型,用于估计对应类型的损伤程度;根据所述分类头的识别结果,从各所述回归头中选择对应的回归头输出损伤程度估计值。
39、相比现有技术,本发明的有益效果在于:
40、1.本发明通过跨通道门控模块生成动态权重并对各通道信号进行加权融合,实现了多源异构传感器信息的自适应融合,提高了故障信息利用效率。传统方法对多通道信号采用直接拼接或固定权重融合方式,难以根据各通道的信号质量与故障敏感性进行逐样本自适应加权;当部分通道噪声偏大或传感器异常时,有效故障特征容易被低质量通道信号稀释。本发明针对上述问题,在跨通道门控模块中,根据由各通道时域能量描述值构成的时域能量描述向量生成动态权重,利用所述动态权重对各通道信号进行加权融合,能够根据当前时序样本自适应调整各通道的贡献,提升多物理量监测条件下的特征表达能力和诊断稳定性。实验结果表明,去除跨通道门控模块后,故障样本损伤深度回归均方根误差(rmse)由0.01214mm上升至0.03171mm,说明本发明能够显著提升损伤程度估计精度。
41、2.本发明通过深度残差收缩网络中的自适应软阈值收缩层抑制背景噪声并提取故障特征,实现了抗噪声特征提取,提高了微弱故障特征的辨识能力。常规卷积残差网络在特征提取过程中对背景噪声分量缺乏针对性抑制,在强噪声工况下对微弱冲击特征的保真能力不足;而本发明将深度残差收缩网络作为特征提取主干网络,该网络能够根据特征图统计信息自适应确定阈值,对特征图执行软阈值收缩操作,在抑制噪声分量的同时保留故障冲击等有效特征信息。实验结果表明,去除深度残差收缩模块后,故障样本rmse增大至0.13165mm,说明本发明能够有效提升强噪声工况下的诊断鲁棒性。
42、3.本发明通过分类头与多个专用回归头构成的多任务诊断模块,根据分类结果选择对应的回归头输出损伤程度估计值,实现了故障分类与损伤程度估计的协同诊断,提高了损伤深度估计准确性。现有方法多将故障分类与损伤深度估计简化为单一回归头或多任务单头结构,内圈故障与外圈故障的损伤形成机理不同、正常样本无损伤深度等特点未得到充分建模。本发明针对上述问题,构建先分类、再分路回归的级联多任务诊断框架,由分类头识别轴承状态类别,各回归头分别对应不同的故障类型估计损伤程度,内圈故障与外圈故障分别由专用回归头进行建模,正常样本不参与回归。实验结果表明,采用单头回归结构时故障样本rmse增加至0.01709mm,说明本发明能够有效降低任务耦合带来的误差,显著提高损伤深度预测精度。
43、4.本发明从数据获取、多通道自适应加权融合、抗噪特征提取到分路回归构成完整技术链路,实现了对多通道原始滑窗信号的直接处理与诊断结果输出,无需繁琐的人工特征工程。本发明无需依赖时频分析、包络谱、经验模态分解等传统信号处理手段进行人工特征设计,减少了对手工特征工程和专家经验的依赖,实现了从原始监测信号到损伤程度估计值的端到端推理,具有良好的工程实用性和泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com