一种滚动轴承早期故障诊断模型构建方法及系统
本发明涉及旋转机械故障诊断,更具体的涉及一种滚动轴承早期故障诊断模型构建方法及系统。
背景技术:
1、滚动轴承作为旋转机械的核心支承元件,其运行状态直接关乎设备的运行安全与生产效率。随着工业设备智能化的发展,对滚动轴承进行早期故障检测已成为防微杜渐、避免恶性事故和巨大经济损失的关键手段。尤其在设备运行的初期阶段,及时发现微弱的早期故障信号并判定首次故障发生时间,对于实现预测性维护具有极其重要的工程价值和现实必要性。
2、目前,现有技术基于深度单类分类的轴承故障检测方法。该方法利用正常状态下的振动信号训练深度神经网络,通过在特征空间中构建一个紧致超球体来学习正常数据的分布边界,其核心思想是使正常样本的特征表示尽可能靠近超球体中心,而异常样本则被映射到超球体之外,检测时通过计算新样本到球心的距离是否超过半径来判定故障。然而,该类方法所构建的边界完全由训练集中有限的正常样本所决定,边界质量高度依赖于训练样本的完备性和纯净性。
3、在实际工业现场中,设备初期运行阶段可获取的正常信号样本量极为有限,少量样本无法完整覆盖设备在实际运行中各种正常波动模式,一旦训练集中混入潜在的早期异常污染样本,所构建的超球体边界即发生偏移或过度收缩,导致微弱早期故障信号因幅值小、与正常波动重叠度高,极易被错误地纳入超球体内部而造成漏检。
技术实现思路
1、针对上述领域中存在的问题,本发明提出了一种滚动轴承早期故障诊断模型构建方法及系统,通过构建原型引导时间图特征提取模型,利用原型损失迫使正常样本特征向基础原型紧凑聚类,抑制了有限样本下边界过收缩或偏移的风险,通过关系一致性正则化损失约束邻接矩阵的批次内一致性,有效识别并削弱了潜在污染样本对边界学习的干扰,使模型在仅依赖少量正常振动信号且无需任何故障标注样本的条件下,仍能学习到准确、紧凑的正常状态边界。
2、为解决上述技术问题,本发明公开了一种滚动轴承早期故障诊断模型构建方法,包括以下步骤:
3、获取轴承运行初期多通道振动信号在连续时间步内的多个信号子序列,构建训练集;并获取待部署轴承运行初期多通道振动信号在连续时间步内的多个信号子序列,构建支持集;
4、构建原型引导时间图特征提取模型,用于提取各训练样本的样本级时间图表示;并基于训练集和总损失函数训练所述原型引导时间图特征提取模型,得到训练后的原型引导时间图特征提取模型及其对应的基础原型;其中,所述总损失函数由自监督预测损失、原型损失和关系一致性正则化损失组成,所述自监督预测损失由原型引导时间图特征提取模型对训练样本未来时间步的预测值与实际观测值的差异确定;所述原型损失由当前训练批次内训练样本的样本级时间图表示与基础原型之间的距离确定,所述基础原型基于训练批次内训练样本的样本级时间图表示的均值动态更新得到;所述关系一致性正则化损失由各训练样本的邻接矩阵与训练批次内平均邻接矩阵的差异确定;
5、将所述支持集输入训练后的原型引导时间图特征提取模型,得到支持集对应的样本级时间图表示;基于支持集对应的样本级时间图表示的统计分布信息,得到支持原型;将所述支持原型与所述基础原型加权融合,获得滚动轴承早期故障诊断模型。
6、优选地,所述原型引导时间图特征提取模型以transformer为主干网络,包括编码器和解码器,所述编码器采用并行的局部特征提取分支和全局特征提取分支,将所述解码器替换为跨通道图建模模块;所述局部特征提取分支提取各训练样本的局部短期特征;所述全局特征提取分支提取各训练样本的全局长程依赖特征;所述跨通道图建模模块将局部短期特征和全局长程依赖特征融合并整合跨通道信息,得到各训练样本的样本级时间图表示;
7、其中,所述局部特征提取分支采用卷积编码器,所述全局特征提取分支采用transformer编码器,所述跨通道图建模模块采用跨通道图建模器。
8、优选地,所述基础原型基于训练批次内训练样本的样本级时间图表示的均值动态更新得到具体包括:
9、通过动量机制对当前训练批次的基础原型进行自监督更新:
10、将当前训练批次内各训练样本的样本级时间图表示的均值与当前训练批次的基础原型进行动量加权平均,以更新所述基础原型。
11、优选地,所述当前训练批次内训练样本的样本级时间图表示与基础原型之间的距离为各训练样本的样本级时间图表示与基础原型之间的欧氏距离。
12、优选地,所述关系一致性正则化损失采用frobenius范数确定各训练样本的邻接矩阵与训练批次内平均邻接矩阵之间的差异。
13、优选地,所述总损失函数为所述自监督预测损失、原型损失和关系一致性正则化损失的加权求和;通过迭代优化所述总损失函数,同时更新所述原型引导时间图特征提取模型的模型参数及其对应的基础原型。
14、优选地,所述跨通道图建模模块将局部短期特征和全局长程依赖特征融合并整合跨通道信息,得到各训练样本的样本级时间图表示,具体包括:
15、所述跨通道图建模模块将局部短期特征和全局长程依赖特征拼接融合,得到各训练样本中各个通道的通道级时序特征;
16、对于各训练样本,将当前训练样本中所有通道的通道级时序特征组合,得到当前训练样本的全局特征矩阵;
17、根据全局特征矩阵,自适应学习并生成数据驱动的邻接矩阵;
18、基于邻接矩阵对全局特征矩阵进行图传播操作,以整合跨通道的依赖信息,得到当前训练样本中各通道的时间图表示;
19、对当前训练样本中各通道的时间图表示进行聚合操作,得到样本级时间图表示。
20、优选地,所述获得滚动轴承早期故障诊断模型,还包括根据所述滚动轴承早期故障诊断模型,对滚动轴承进行早期故障在线检测,所述在线检测步骤具体包括:
21、实时获取待测轴承的多通道振动信号在连续时间步内的多个信号子序列,构建查询集,并输入训练后的原型引导时间图特征提取模型,得到查询集对应的样本级时间图表示;
22、基于查询集对应的样本级时间图表示与所述滚动轴承早期故障诊断模型所对应的判别原型之间的归一化距离,确定异常得分;
23、当异常得分超过预设阈值时,判定为故障发生。
24、优选地,所述基于查询集对应的样本级时间图表示与所述滚动轴承早期故障诊断模型所对应的判别原型之间的归一化距离,确定异常得分,具体包括:
25、确定查询集对应的样本级时间图表示与所述滚动轴承早期故障诊断模型之间的欧氏距离;
26、利用支持集对应的样本级时间图表示的标准差,对所述欧氏距离进行归一化,得到归一化异常得分。
27、优选地,还包括一种滚动轴承早期故障诊断模型构建系统,包括:
28、数据获取模块,用于获取轴承运行初期多通道振动信号在连续时间步内的多个信号子序列,构建训练集;并获取待部署轴承运行初期多通道振动信号在连续时间步内的多个信号子序列,构建支持集;
29、特征提取模块,用于构建原型引导时间图特征提取模型,用于提取各训练样本的样本级时间图表示;并基于训练集和总损失函数训练所述原型引导时间图特征提取模型,得到训练后的原型引导时间图特征提取模型及其对应的基础原型;其中,所述总损失函数由自监督预测损失、原型损失和关系一致性正则化损失组成,所述自监督预测损失由原型引导时间图特征提取模型对训练样本未来时间步的预测值与实际观测值的差异确定;所述原型损失由当前训练批次内训练样本的样本级时间图表示与基础原型之间的距离确定,所述基础原型基于训练批次内训练样本的样本级时间图表示的均值动态更新得到;所述关系一致性正则化损失由各训练样本的邻接矩阵与训练批次内平均邻接矩阵的差异确定;
30、诊断模型生成模块,用于将支持集输入训练后的原型引导时间图特征提取模型,得到支持集对应的样本级时间图表示;基于支持集对应的样本级时间图表示的统计分布信息,得到支持原型;将所述支持原型与所述基础原型加权融合,获得滚动轴承早期故障诊断模型。
31、与现有技术相比,本发明具有如下有益效果:
32、本发明提出的滚动轴承早期故障诊断模型构建方法,构建的总损失函数中自监督预测损失通过未来时间步预测任务使模型从有限样本中充分挖掘时序规律,弥补了样本量不足对特征学习的影响,原型损失迫使正常样本特征向基础原型紧凑聚类,抑制了有限样本下边界过收缩或偏移的风险,关系一致性正则化损失通过约束邻接矩阵的批次内一致性,有效识别并削弱了潜在污染样本对边界学习的干扰,使模型在仅依赖少量正常运行振动信号且无需任何故障标注样本的条件下,仍能学习到准确、紧凑的正常状态边界,显著降低了对标注样本的依赖和早期微弱故障的漏检率。
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