一种物理信息引导的旋转机械持续故障诊断方法及系统

摘要: 本发明涉及工业设备故障诊断,尤其涉及一种物理信息引导的旋转机械持续故障诊断方法及系统。背景技术:1、旋转机械传动部件长期工作在变转速、变载荷和噪声扰动耦合环境中...
一种物理信息引导的旋转机械持续故障诊断方法及系统

本发明涉及工业设备故障诊断,尤其涉及一种物理信息引导的旋转机械持续故障诊断方法及系统。

背景技术:

1、旋转机械传动部件长期工作在变转速、变载荷和噪声扰动耦合环境中,其健康状态直接关系到工业装备运行安全、生产效率和维护成本。基于振动信号、声发射信号或电流信号的智能故障诊断技术能够提前识别轴承内圈故障、外圈故障、滚动体故障、齿轮磨损等异常状态,是工业设备预测性维护的重要基础。

2、随着深度学习技术的发展,卷积神经网络、transformer及其变体已被广泛用于旋转机械故障诊断,并在固定工况或训练测试分布一致的条件下取得较高诊断精度。然而,实际工业现场中的运行工况会随生产节拍、负载需求和控制策略持续变化,模型需要不断接收新工况数据并更新参数。若仍采用静态训练范式,诊断模型难以长期适应连续变化的数据分布。

3、迁移学习能够缓解单次源域到目标域的分布偏移,但工业设备运行数据往往呈现连续到达、阶段更新和历史数据难以完整保存的特点。当模型按工况序列依次学习新域数据时,新域样本会主导网络参数更新,导致已学习旧域知识快速退化,即发生灾难性遗忘。

4、现有连续学习方法主要包括正则化方法、样本重放方法和动态结构方法。正则化方法如弹性权重整合通过fisher信息矩阵估计参数重要性,并在学习新任务时限制关键参数变化;样本重放方法通过保存少量历史样本恢复旧域分布;动态结构方法通过扩展模型结构降低任务干扰。对于工业在线诊断而言,正则化方法和样本重放方法具有实现简单、存储开销较小的优势。

5、但是,现有连续故障诊断方法仍存在不足:其一,历史样本重放多依据随机采样或特征距离筛选,缺少对故障特征频率、包络谱能量等物理机理的显式利用,记忆样本与真实故障本质的关联性不足;其二,重放比例通常固定设置,难以根据模型在历史域上的实际遗忘程度自适应调整,容易造成重放不足或计算冗余;其三,传统弹性权重整合多采用静态单域fisher信息矩阵和固定正则系数,难以处理多域连续工况中的历史知识累积、物理可靠性差异和新旧知识权衡问题。因此,亟需一种能够融合故障物理机理、历史遗忘状态和参数重要性约束的持续故障诊断方法,以提高历史样本选择质量,动态调整重放强度,并对多历史域关键参数实施自适应保护。

技术实现思路

1、为此,本发明所要解决的技术问题在于克服现有连续变工况下诊断模型灾难性遗忘、随机重放样本物理代表性不足以及传统ewc参数保护静态化的缺陷。

2、为解决上述技术问题,本发明提供了一种物理信息引导的旋转机械持续故障诊断方法,包括:

3、基于旋转机械在多个连续工况域下预处理后的运行状态信号,按时序划分为初始域样本、各历史域对应的样本、当前域样本;

4、采用初始域样本对基础故障诊断模型进行监督训练,得到初始故障诊断模型;

5、依次将单个历史域对应的样本作为增量学习数据,对初始故障诊断模型逐次迭代更新,每完成一个历史域的训练后,保存该历史域对应的历史最高诊断精度、fisher信息矩阵与最优模型参数,全部历史域训练完毕后得到故障诊断模型;

6、利用故障诊断模型分别测试各历史域,得到各历史域当前实测诊断精度,结合各历史域对应的历史最高诊断精度,计算各历史域的遗忘程度与历史遗忘率;

7、根据历史遗忘率确定历史样本重放比例,从历史记忆库中选取历史重放样本,将历史重放样本与当前域样本组成联合训练集;所述历史记忆库基于各历史域的样本构建得到;

8、基于历史遗忘率、历史重放样本的物理置信度、各历史域对应的fisher信息矩阵与最优模型参数、各历史域的遗忘程度,构建物理感知动态弹性权重整合损失,利用联合训练集对故障诊断模型进行增量训练,得到持续故障诊断模型;利用持续故障诊断模型处理待检测旋转机械的运行状态信号,得到故障诊断结果。

9、优选地,所述历史记忆库基于各历史域的样本构建,其构建方法包括:

10、对所有历史域的样本开展包络谱分析,提取故障特征频率邻域内的包络谱响应强度,计算各历史域的样本的物理置信度,依据物理置信度筛选各历史域的目标样本,构建历史记忆库。

11、优选地,对所有历史域的样本开展包络谱分析,提取故障特征频率邻域内的包络谱响应强度,计算各历史域的样本的物理置信度的方法包括:

12、对每个历史域的样本对应的预处理后的运行状态信号进行hilbert变换,得到每个历史域的样本对应的解析信号;

13、基于每个历史域的样本对应的解析信号计算包络信号,对每个历史域的样本对应的包络信号进行快速傅里叶变换,得到每个历史域的样本对应的包络谱幅值;

14、依据每个历史域的样本对应的故障类别标签,调取该故障类别标签的故障特征频率集合,提取所述故障特征频率集合内每一个故障特征频率对应的包络谱幅值并累加求和,计算得到每个历史域的样本的物理响应强度;

15、分别对全部历史域的样本的物理响应强度进行归一化处理,得到各历史域的样本的物理置信度。

16、优选地,计算历史遗忘率的方法包括:

17、基于各历史域当前实测诊断精度与各历史域对应的历史最高诊断精度的差值,获取每个历史域的遗忘程度;

18、基于各历史域的遗忘程度,获取历史遗忘率。

19、优选地,根据历史遗忘率确定当前阶段的历史样本重放比例的公式为:

20、,

21、其中,为历史样本重放比例,和分别为重放比例下界和上界,为遗忘率影响系数,为基础重放比例,为历史遗忘率,为截断函数。

22、优选地,基于历史遗忘率、历史重放样本的物理置信度、各历史域对应的fisher信息矩阵与最优模型参数、各历史域的遗忘程度,构建物理感知动态弹性权重整合损失的方法包括:

23、基于各历史域的遗忘程度,获取各历史域的权重;

24、利用历史重放样本的物理置信度、各历史域对应的最优模型参数对各历史域对应的fisher信息矩阵进行修正,得到各历史域对应的目标fisher信息矩阵;

25、将各历史域的权重与各历史域对应的目标fisher信息矩阵加权求和,得到多域累积fisher信息矩阵;

26、基于历史遗忘率、目标多域累积fisher信息矩阵、故障诊断模型的模型参数、各历史域对应的最优模型参数、各历史域的遗忘程度,构建物理感知动态弹性权重整合损失,物理感知动态弹性权重整合损失为:

27、,

28、其中,为物理感知动态弹性权重整合损失,,为基础正则系数,为遗忘放大系数,为目标多域累积fisher信息矩阵中第个元素的取值,为历史遗忘率,为故障诊断模型中第个可训练参数,为可训练参数索引,为所有历史域对应的最优第个可训练参数的加权均值。

29、优选地,当历史遗忘率大于设定阈值时,在物理感知动态弹性权重整合损失中设置遗忘梯度补偿项,构建目标物理感知动态弹性权重整合损失,遗忘梯度补偿项为:

30、,

31、其中,为遗忘梯度补偿项,为补偿系数,为指示函数,为所有历史域对应的最优可训练参数的加权均值,为故障诊断模型的可训练参数,为历史遗忘率,为设定阈值。

32、优选地,基于各历史域的遗忘程度,获取各历史域的权重,公式为:

33、,

34、其中,为第个历史域的权重,为极小值平滑常数,为第个历史域的遗忘程度,为第个历史域的遗忘程度,为历史域总数,表示第个历史域,表示第个历史域。

35、优选地,利用历史重放样本的物理置信度、各历史域对应的最优模型参数对各历史域对应的fisher信息矩阵进行修正,得到各历史域对应的目标fisher信息矩阵为:

36、,

37、其中,为第个历史域对应的目标fisher信息矩阵中第个元素的取值,为第个历史域的归一化因子,为第个历史域对应的最优模型参数,表示第个历史域,为联合训练集中样本x的物理置信度,为在参数下,输入样本x预测输出标签y的条件概率,为故障诊断模型中第个可训练参数,为历史重放样本中属于第个历史域的样本集合,为可训练参数索引。

38、本发明还提供了一种物理信息引导的旋转机械持续故障诊断系统,包括:

39、数据采集预处理模块,用于基于旋转机械在多个连续工况域下预处理后的运行状态信号,按时序划分为初始域样本、各历史域对应的样本、当前域样本;

40、基础模型训练模块,用于采用初始域样本对基础故障诊断模型进行监督训练,得到初始故障诊断模型;

41、历史域训练模块,用于依次将单个历史域对应的样本作为增量学习数据,对初始故障诊断模型逐次迭代更新,每完成一个历史域的训练后,保存该历史域对应的历史最高诊断精度、fisher信息矩阵与最优模型参数,全部历史域训练完毕后得到故障诊断模型;

42、遗忘率评估模块,用于利用故障诊断模型分别测试各历史域,得到各历史域当前实测诊断精度,结合各历史域对应的历史最高诊断精度,计算各历史域的遗忘程度与历史遗忘率;

43、动态重放模块,用于根据历史遗忘率确定历史样本重放比例,从历史记忆库中选取历史重放样本,将历史重放样本与当前域样本组成联合训练集;所述历史记忆库基于各历史域的样本构建得到;

44、故障诊断输出模块,用于基于历史遗忘率、历史重放样本的物理置信度、各历史域对应的fisher信息矩阵与最优模型参数、各历史域的遗忘程度,构建物理感知动态弹性权重整合损失,利用联合训练集对故障诊断模型进行增量训练,得到持续故障诊断模型;利用持续故障诊断模型处理待检测旋转机械的运行状态信号,得到故障诊断结果。

45、本发明的上述技术方案相比现有技术具有以下有益效果:

46、本发明所述的一种物理信息引导的旋转机械持续故障诊断方法及系统,根据历史最佳诊断精度与当前诊断精度之间的差异计算历史遗忘率,并由历史遗忘率动态调整重放比例,在轻度遗忘时减少无效回放,在严重遗忘时增强旧知识巩固;基于历史遗忘率、历史重放样本的物理置信度、各历史域对应的fisher信息矩阵与最优模型参数、各历史域的遗忘程度,构建物理感知动态弹性权重整合损失,令网络关键参数的正则约束保护强度跟随各历史域遗忘状态动态调整,从损失函数底层缓解连续变工况增量学习过程中的灾难性遗忘问题。

47、此外,本发明借助振动信号包络谱内故障特征频率邻域的物理响应强度评定单条样本的实际价值,通过计算得到的物理置信度完成样本筛选并搭建历史记忆库,优先收纳与旋转机械故障机理高度匹配的高置信度有效样本。该方式摒弃传统随机样本回放模式,有效削减历史回放样本中的无效冗余数据与噪声样本干扰,提升记忆库样本的故障物理关联性,进一步保障多工况迭代过程中持续故障诊断模型的可靠性与识别精度。