基于多层特征协同图的滚动轴承无监督故障诊断方法及系统

摘要: 本发明属于机械设备状态监测、滚动轴承故障诊断、无监督机器学习、图神经网络和工业智能运维,具体涉及一种基于多层特征协同图的滚动轴承无监督故障诊断方法及系统。背景技...
基于多层特征协同图的滚动轴承无监督故障诊断方法及系统

本发明属于机械设备状态监测、滚动轴承故障诊断、无监督机器学习、图神经网络和工业智能运维,具体涉及一种基于多层特征协同图的滚动轴承无监督故障诊断方法及系统。

背景技术:

1、滚动轴承是电机、泵体、风机、机床、车辆传动系统等旋转机械中的核心支撑部件,其运行状态直接决定整机设备的运行安全性与可靠性。当轴承发生内圈故障、外圈故障、滚动体故障或多类型复合故障时,对应振动信号普遍呈现非平稳性强、冲击特征显著、频带能量分布动态变化等特点,因此基于振动信号分析的轴承故障诊断技术,已成为工业设备预测性维护体系中的核心技术路径。

2、目前主流的轴承故障诊断方法可分为三类:第一类为基于人工特征提取与传统机器学习的诊断方法,通过提取振动信号的时域、频域或小波包能量谱特征,结合聚类算法、支持向量机或浅层分类器完成故障识别;第二类为基于深度学习的端到端诊断方法,借助自编码器、卷积神经网络等网络结构自动学习深层故障特征,实现故障分类;第三类为基于图神经网络的聚类或分类诊断方法,通过构建样本关系图聚合邻居信息,以获取具备更强结构表达能力的样本特征表示。但上述方法仍存在多方面的技术不足:其一,基于人工特征的传统诊断方法高度依赖特征选型与专家经验,难以充分挖掘故障样本之间的潜在关联关系,特征适配性与泛化能力存在明显局限;其二,深度学习类方法侧重提取深层抽象特征,易忽略振动信号中的浅层局部冲击信息与中层频带组合信息,故障特征的完整性不足;其三,图神经网络类方法多采用k近邻或距离阈值方式构建样本图,图结构易受噪声干扰、特征尺度差异及距离度量方式的影响,结构稳定性较差。此外,现有监督式诊断模型均依赖大量标注样本完成训练,而工业现场普遍存在故障标签缺失、标注成本高昂、专家标注结果一致性差等现实问题,进一步限制了诊断方法的工程落地效果。

3、因此,亟需提供一种可在无标签或少标签场景下应用,能够综合利用滚动轴承振动信号时频特征、多层深度故障特征以及样本间稳定关联关系的故障诊断方法,以提升聚类诊断结果的稳定性与工程适用性。

技术实现思路

1、针对上述现有技术存在的问题,本发明提供一种基于多层特征协同图的滚动轴承无监督故障诊断方法及系统,该方法能从根源上克服单一特征空间聚类稳定性差、样本关系图易受噪声干扰的局限,可实现无标签条件下滚动轴承故障的高鲁棒、高可靠无监督的智能诊断作业;该系统能在无需人工标签的条件下,实现对滚动轴承故障的高鲁棒、高可靠的智能诊断作业,并具备低置信度样本的自动识别与人机协同复核能力。

2、为了实现上述目的,本发明提供一种基于多层特征协同图的滚动轴承无监督故障诊断方法,包括以下步骤:

3、步骤1:振动信号采集与故障特征提取;采集滚动轴承运行过程中的振动信号,通过样本划分和时频特征提取得到表征轴承运行状态的故障特征向量;

4、步骤2:多层故障特征提取;利用多层特征提取网络分别提取浅层故障特征、中层故障特征和深层故障特征,获得不同层级的故障特征表示;

5、步骤3:多层基聚类与共协矩阵构建;基于不同层级故障特征分别执行多次基聚类,并根据多个基聚类结果中样本对被划分至同一簇的频次构建共协矩阵,得到故障样本关系图;

6、步骤4:基于图注意力网络的无监督故障聚类诊断;将共协矩阵作为故障样本关系图,将故障特征向量作为节点属性输入图注意力网络,通过自监督聚类优化得到滚动轴承故障诊断结果。

7、作为一种优选,在步骤1中,振动信号采集与故障特征提取的过程如下:

8、s11:振动信号采集与样本划分;通过安装在轴承座、驱动端或设备壳体上的加速度传感器采集滚动轴承运行过程中的振动信号,将连续振动信号按照预设时间窗口划分为多个信号片段,每个信号片段作为一个故障样本;

9、s12:时频故障特征提取;对第个故障样本进行小波包分解,获得个子频带信号,其中第个子频带信号为,为子频带信号中的采样点索引,为该子频带信号的总采样点数;

10、计算第个子频带的能量,将所有个子频带能量组合,构成第个故障样本的故障特征向量,其中为第个故障样本的时频故障特征向量。

11、作为一种优选,在步骤2中,多层故障特征提取的过程如下:

12、s21:多层特征提取网络构建;通过浅层特征提取子网络、中层特征提取子网络和深层特征提取子网络构建多层特征提取网络,其中,各子网络采用不同深度的自编码器或卷积自编码器,各子网络以无监督重构方式进行训练,训练过程中以输入特征与重构特征之间的均方误差作为重构损失,当重构损失趋于稳定或达到预设训练轮数后,训练完成;

13、s22:不同层级故障特征提取;将步骤1得到的时频故障特征向量输入训练完成的多层特征提取网络,分别提取各子网络编码端输出的故障特征;其中,浅层故障特征用于反映局部冲击和短时能量突变信息,中层故障特征用于反映不同频带之间的组合关系,深层故障特征用于反映抽象故障状态差异。

14、作为一种优选,在步骤3中,多层基聚类与共协矩阵构建的过程如下:

15、s31:多层基聚类执行;分别对浅层故障特征、中层故障特征和深层故障特征执行多次基聚类,得到多个基聚类结果;每次基聚类采用不同随机初始化,以获得多个具有差异性的基聚类结果;设共执行次基聚类,每次基聚类将故障样本划分为若干簇;

16、s32:共协矩阵构建;对于任意两个故障样本和,统计二者在全部次基聚类结果中被划分至同一簇的次数,并计算共协矩阵中第行第列元素,构建出共协矩阵。

17、作为一种优选,在s31中,所述基聚类算法采用k-means聚类或层次聚类或谱聚类算法。

18、作为一种优选,在步骤4中,基于图注意力网络的无监督故障聚类诊断的过程如下:

19、s41:图注意力网络输入构建;将步骤3得到的共协矩阵作为故障样本关系图的邻接矩阵,其中每个节点对应一个故障样本,节点之间的边权由共协矩阵元素确定;同时,将步骤1得到的时频故障特征向量作为节点属性输入图注意力网络;

20、s42:图注意力网络特征聚合;图注意力网络根据故障样本关系图和节点属性,对邻居故障样本进行自适应加权聚合;对于目标样本节点,图注意力网络根据其与邻居样本之间的特征关系和共协关系计算注意力权重,使与目标样本故障状态更相近、关系更稳定的邻居样本具有更高权重;通过多层注意力聚合,得到各故障样本的图嵌入表示;

21、s43:无监督聚类优化;得到故障样本图嵌入后,基于图嵌入进行无监督聚类优化;根据故障样本图嵌入与聚类中心之间的距离计算软分配概率,表示第个样本属于第个聚类簇的概率;再根据软分配概率构造目标辅助分布,通过最小化软分配概率与目标辅助分布之间的kl散度作为聚类损失;同时,通过解码器对图嵌入进行重构,计算关系图重构损失,用于保持共协矩阵所反映的故障样本关系结构;

22、基于聚类损失和关系图重构损失构建模型的总损失函数,其中,为损失权重系数;通过最小化总损失函数联合优化图注意力网络参数和聚类中心;当总损失函数趋于稳定或达到预设训练轮数后,停止训练;

23、s44:故障诊断结果输出;根据每个故障样本的软分配概率确定其所属聚类簇,取最大软分配概率对应的聚类簇作为该样本的诊断结果;对于最大软分配概率低于预设置信阈值的样本,将其标记为待复核样本,供专家进一步确认或用于后续补充采样;对于置信度满足要求的样本,结合少量专家标注、设备维修记录或故障机理知识,将聚类簇映射为正常状态、内圈故障、外圈故障、滚动体故障等轴承故障类别,完成滚动轴承无监督故障诊断。

24、与现有技术相比,本发明具有如下技术优势:

25、1、显著提升了无标签工况下的故障诊断能力;本发明完全采用无监督学习范式,不依赖任何人工故障标签或专家标注样本。通过小波包能量谱提取振动信号的时频特征,结合多层特征提取、基聚类集成投票和自监督图聚类优化,直接从轴承运行数据中自主挖掘不同故障状态的结构差异,形成可解释的聚类簇。这使得方法特别适用于工业现场标签缺失、标注成本高昂或专家诊断意见不一致的场景,为无标签数据条件下的智能故障诊断提供了可行途径。

26、2、充分融合了多层级的故障特征信息,避免了特征的丢失;传统深度聚类方法往往只利用深层网络的抽象特征,容易丢失反映局部冲击和早期故障的浅层细节。本发明通过构建浅层、中层和深层特征提取子网络,在无监督重构预训练后分别提取不同抽象层次的故障特征,其中,浅层特征保留短时冲击与局部能量突变,中层特征刻画不同频带间的组合模式,深层特征表达高度抽象的故障状态差异。三层特征共同参与后续基聚类,确保从局部到全局的故障信息均被有效利用,提升了诊断的敏感性和鲁棒性。

27、3、构建了高稳定性、低噪声的故障样本关系图;样本关系图的质量直接决定图聚类效果。现有方法多基于单一特征空间的欧氏距离或k近邻构图,易受特征选择偏差和噪声干扰。本发明不直接采用单一特征空间进行聚类,也不直接基于距离或knn构建样本关系图,创新性地采用了多层多轮基聚类集成策略,在浅层、中层、深层特征空间上分别执行多次具有随机初始化的基聚类,记录任意两个样本在所有基聚类结果中被划分至同一簇的频率,归一化后构成共协矩阵,从而得到更稳定的故障样本关系图。该矩阵实质上是多特征视角、多聚类模型下的共同投票结果,能够平滑单一聚类的不稳定性,抑制离群样本的干扰,极大提升了故障样本间相似关系表达的稳定性和置信度。共协矩阵作为故障样本关系图的边权,无需手动设置近邻数或阈值,具备数据自适应能力。相比直接采用欧氏距离、相关系数或knn构图,本发明基于多层多轮基聚类共同投票构建的共协矩阵,更能有效降低单一特征空间偏差和噪声对建图结果的影响,显著提升故障样本间相似关系表达的稳定性和置信度。

28、4、增强了图嵌入的判别性与结构保持能力;本发明在获得共协图之后,引入图注意力网络对节点特征进行聚合。图注意力层根据邻居节点的特征相似度和共协关系自动计算注意力权重,使故障状态相近、共协关系紧密的邻居节点在嵌入更新中贡献更大,从而产生高判别性的节点嵌入表示。与此同时,模型通过解码器重构关系图,以关系图重构损失约束嵌入空间保留原始共协矩阵所反映的样本间结构,结合软分配概率与目标辅助分布的kl散度聚类损失进行联合优化。这种双重约束机制确保学习到的图嵌入既适用于聚类划分,又忠实保持了多层基聚类投票形成的稳定样本关系,解决了传统图聚类嵌入与结构分离的弊端。

29、5、有效降低了误诊风险并支持人机协同;在聚类结果输出阶段,本发明设置了基于软分配概率的置信度评估机制。对于最大软分配概率低于预设阈值的样本,不强制赋予确定的故障类别,而是标记为待复核样本。这些样本通常处于故障类别边界或属于罕见异常状态,强制分类极易导致误诊。通过输出待复核标记,方法可将高风险的模糊样本交由专家人工研判或用于指导补充采样,既避免了全自动聚类中的高置信度错误,又形成了可靠的人机协同闭环,符合工业高安全性和高可靠性要求。

30、该方法能从根源上克服单一特征空间聚类稳定性差、样本关系图易受噪声干扰的局限,能解决现有轴承故障诊断方法在无标签工况下特征利用不充分、样本关系图构建不稳定、聚类诊断结果易受噪声和单一特征空间影响的问题,实现了无标签条件下滚动轴承故障的高鲁棒、高可靠无监督智能诊断。

31、本发明还提供了一种基于多层特征协同图的滚动轴承无监督故障诊断系统,用于实现一种基于多层特征协同图的滚动轴承无监督故障诊断方法,包括:

32、振动信号采集与时频故障特征提取模块,用于采集滚动轴承运行过程中的振动信号,并对振动信号进行样本划分和时频特征提取,得到能够表征轴承运行状态的时频故障特征向量;

33、多层故障特征提取模块,用于从时频故障特征向量中分别提取不同抽象层级的故障特征,包括浅层故障特征、中层故障特征和深层故障特征;

34、多层基聚类与共协矩阵构建模块,用于基于不同层级故障特征分别执行多次基聚类,并根据多个基聚类结果中样本对被划分至同一簇的频次构建共协矩阵,将共协矩阵作为故障样本关系图;

35、图注意力无监督聚类诊断模块,用于将共协矩阵作为故障样本关系图、将时频故障特征向量作为节点属性输入图注意力网络,通过自监督聚类优化得到滚动轴承故障诊断结果;

36、诊断结果输出模块,用于根据训练完成后各故障样本的软分配概率确定其诊断结果,并对低置信度样本进行标识。

37、作为一种优选,所述振动信号采集与时频故障特征提取模块包括振动信号采集单元、样本划分单元和时频特征提取单元;所述振动信号采集单元用于通过加速度传感器获取轴承座、驱动端或设备壳体上的连续振动信号;所述样本划分单元用于按照预设时间窗口将连续振动信号划分为多个信号片段,每个信号片段作为一个故障样本;所述时频特征提取单元用于对每个故障样本执行小波包分解,获得多个子频带信号,计算各子频带信号的能量,并将各子频带能量组合为时频故障特征向量,作为该故障样本的特征表示;

38、所述多层故障特征提取模块包括浅层特征提取单元、中层特征提取单元和深层特征提取单元;所述浅层特征提取单元用于提取反映局部冲击和短时能量突变信息的浅层故障特征;所述中层特征提取单元用于提取反映不同频带之间组合关系的中层故障特征;所述深层特征提取单元用于提取反映抽象故障状态差异的深层故障特征。

39、作为一种优选,所述多层基聚类与共协矩阵构建模块包括基聚类执行单元、共协关系统计单元和关系图生成单元;所述基聚类执行单元用于在浅层、中层和深层故障特征空间上分别执行多次具有差异性的基聚类,记录各次基聚类的样本划分结果;所述共协关系统计单元用于统计任意两个故障样本在所有基聚类结果中被划分至同一簇的次数,并依据该次数与总基聚类次数的比值计算共协矩阵元素;所述关系图生成单元用于将共协矩阵直接作为故障样本关系图的邻接矩阵,矩阵元素值表示样本间关联关系的稳定程度;

40、所述图注意力无监督聚类诊断模块包括图注意力聚合单元、聚类分配单元、关系图重构单元和联合优化单元;所述图注意力聚合单元用于根据故障样本关系图和节点属性,对每个目标样本的邻居样本进行自适应注意力加权聚合,生成故障样本的图嵌入表示;所述聚类分配单元用于根据图嵌入表示与聚类中心之间的距离计算各故障样本的软分配概率,并依据软分配概率构造目标辅助分布,以最小化两者之间kl散度作为聚类损失;所述关系图重构单元用于对图嵌入进行解码重构,计算关系图重构损失,以保持共协矩阵所反映的故障样本关系结构;所述联合优化单元用于将关系图重构损失与聚类损失加权组合为总损失函数,通过最小化总损失函数联合优化图注意力网络参数和聚类中心。

41、作为一种优选,所述诊断结果输出模块包括类别判定单元、置信度评估单元、结果映射单元;所述类别判定单元用于取最大软分配概率对应的聚类簇作为故障样本的初步诊断结果;所述置信度评估单元用于将最大软分配概率低于预设置信阈值的故障样本标记为待复核样本,不直接赋予确定的故障类别;所述结果映射单元用于结合专家标注或设备维修记录,将满足置信度要求的聚类簇映射为正常状态、内圈故障、外圈故障、滚动体故障等具体轴承故障类别,完成故障诊断结果的最终输出。

42、本发明中,基于振动信号采集与时频故障特征提取模块的设置,能够自动完成从原始振动信号到规范化故障特征向量的转换。基于多层故障特征提取模块的设置,能分别保留局部冲击信息、频带组合模式与抽象故障状态差异,克服了传统系统仅依赖单一深层特征导致浅层故障信息丢失的问题,使不同抽象层级的故障表征共同参与后续聚类分析,显著提升特征利用的充分性。基于多层基聚类与共协矩阵构建模块的设置,能从机制上避免了单次聚类或单一特征空间的不稳定性,所构建的共协矩阵对噪声和特征选择偏差具有天然鲁棒性,且无需手动设定近邻参数。基于图注意力无监督聚类诊断模块的设置,能将共协矩阵和故障特征向量进行深度融合,进而生成高判别性、结构一致性的图嵌入表示,解决了传统图聚类嵌入学习与结构保持相分离的缺陷。基于诊断结果输出模块的设置,能生成并输出完整、可解释的诊断结论。

43、该系统能在无需人工标签的条件下,实现对滚动轴承故障的高鲁棒、高可靠的智能诊断作业,并具备低置信度样本的自动识别与人机协同复核能力。