基于三路径自适应时频融合网络的少量样本滚动轴承故障诊断方法

本发明涉及故障诊断，具体涉及基于三路径自适应时频融合网络的少量样本滚动轴承故障诊断方法。

背景技术：

1、滚动轴承局部故障会产生周期性冲击脉冲，冲击激发轴承结构固有频率处的高频共振载波，同时转频及其倍频对共振载波形成幅值调制和边带。传统诊断方法通常先采用傅里叶变换、小波分析、包络解调等信号处理方法提取特征，再由人工经验设定阈值或使用支持向量机等分类器完成识别。此类方法依赖专家先验和人工特征选择，对非平稳信号、复杂工况和强噪声的适应能力有限。

2、随着深度学习的发展，一维卷积神经网络、循环神经网络及其组合模型被用于端到端故障诊断。现有少量样本方法主要采用数据增强或生成模型扩充样本、采用正则化和轻量化结构抑制过拟合，或者采用迁移学习、元学习复用知识。多尺度卷积也被用于获取不同感受野下的特征。

3、现有技术主要存在如下缺陷：故障样本获取成本高、类别分布不均，常规深度网络在每类仅有数十个样本时容易记忆噪声并过拟合，诊断准确率和重复训练稳定性不足；现有多尺度卷积多数仅改变卷积核尺寸，未按照“冲击—共振—调制”的故障生成机理分工，也未显式建模各物理成分之间的耦合关系，导致少量样本下的学习效率低；卷积核通常采用随机初始化，训练初期需要在宽频域内盲目搜索；在数据不足时，卷积核容易聚焦于偶然噪声频带；循环神经网络依赖串行递归，参数量较大、并行效率低，在小样本场景更容易过拟合，不利于边缘设备或在线系统部署；强背景噪声会形成伪冲击和伪谱峰，固定滤波或统一门控不能随样本信噪比变化自适应调节，容易丢失弱故障信息或保留过量噪声。

技术实现思路

1、本发明要解决的技术问题是：克服现有技术的不足，提供了基于三路径自适应时频融合网络的少量样本滚动轴承故障诊断方法。

2、本发明是通过以下技术方案实现的：基于三路径自适应时频融合网络的少量样本滚动轴承故障诊断方法，包括如下步骤：

3、s1、采集滚动轴承运行状态下的一维加速度振动信号，构建样本；

4、s2、在三路径自适应时频融合网络的训练阶段，以预设概率随机选择设定幅值范围内的噪声段执行脉冲擦除或掩蔽，进行数据增强；

5、s3、进行物理先验驱动的动态初始化；

6、s4、构建三条分工不同的并行深度可分离一维卷积路径，对三条路径输出特征统一时序长度；

7、s5、对每条路径特征矩阵进行奇异值分解，依据奇异值比值分界划分信号子空间、噪声子空间，重构自适应去噪特征；

8、s6、对三路去噪特征分别计算全局描述，构建三阶物理耦合矩阵，通过物理邻接初始化及稀疏正则约束，实现路径间交叉特征重校准；

9、s7、加权融合三路重校准特征，融合后的特征输入多层扩张因果卷积并行建模长时序依赖，再通过eca通道注意力对时序特征通道重加权；

10、s8、对注意力加权后的时序特征全局平均池化得到固定维度特征向量，经全连接层与softmax函数输出滚动轴承各健康状态、故障类型预测概率。

11、优选的，s1中在轴承座或相邻结构上布置振动传感器，采集滚动轴承运行时的一维加速度信号；

12、将连续加速度信号按滑动窗口分段为批量样本，其中b为批量大小，l为样本长度。

13、优选的，s2中，在三路径自适应时频融合网络的训练阶段，数据增强表示如下：

14、

，

15、；

16、式中，为增强后第i个样本在时刻t的幅值；为增强前幅值；为取0或1的二值掩码；t为窗口内采样点序号；为擦除概率，取值范围为[0,1]；为小幅值阈值，其单位与输入信号一致；表示事件发生概率。

17、优选的，s3包括如下子步骤：

18、s3-1、对每批输入样本快速计算功率谱密度并提取至少三个主峰值频率；

19、s3-2、计算各路径的中心频率，生成对应的参数化基滤波器；

20、s3-3、基于样本全局描述子动态混合基滤波器生成自适应卷积核。

21、优选的，s3-1中对长度为l的样本，功率谱密度计算公式如下：

22、；

23、；

24、式中，为第i个样本在第k个频率格点的离散傅里叶复系数；为对应功率谱密度；为第t个时域采样值；t为时域采样点序号；k为频率格点序号；l为样本长度；j为虚数单位，满足。

25、优选的，s3-2中第m条路径的中心频率计算公式如下：

26、；

27、式中，为第m条路径的中心频率；为分配给第m条路径的主谱峰频率；为可学习频偏，其初值为0；、分别为先验频率区间的下限和上限；m为路径编号，取1、2、3；clip()表示将数值截断在指定区间内；

28、参数化基滤波器表示为：

29、；

30、式中，为第m条路径的参数化基滤波器在时刻t的冲激响应；为该滤波器的参数集合；为幅值系数；为控制脉冲宽度及等效带宽的尺度参数，按实现可用采样点或秒表示；为中心频率；t为离散时间索引或换算后的时间。

31、优选的，s3-3中基滤波器的中心频率和尺度参数参与端到端反向传播，门控网络根据输入的全局描述子生成动态系数，其表示如下：

32、

；

33、；

34、。

35、式中，α为各基滤波器混合权重组成的向量；w和b分别为门控网络的权重矩阵与偏置；z为输入特征的全局描述向量；为第r个基滤波器的非负归一化权重；为按样本生成的动态卷积核；m为基滤波器数量；为第r个参数化基滤波器；r为基滤波器索引；softmax用于使全部之和为1。

36、优选的，s4中三路径包括冲击感知路径p1、频域调制路径p2及时频联合路径p3；

37、各路径分别包括逐通道深度卷积和逐点卷积，其运算表示如下：

38、；

39、；

40、式中，为第c个通道经深度卷积后的输出；为第o个输出通道的特征；为第c个输入通道的特征；为第c个通道卷积核的第q个系数；为由输入通道c映射到输出通道o的逐点卷积权重；t为时间索引；q为卷积核位置索引；k为卷积核长度；d为扩张率；c、o分别为输入和输出通道索引；c为输入通道数；

41、各路径输出长度计算公式如下：

42、；

43、式中，为一维卷积后的输出序列长度；l为输入序列长度；p为输入两侧采用的填充量；d为扩张率；k为卷积核长度；s为卷积步长；表示向下取整。

44、优选的，s5中对每条路径的特征图进行奇异值分解，并根据奇异谱变化位置确定分界；

45、将特征分为信号子空间和噪声子空间后，采用软门控得到去噪特征。

46、优选的，s6中路径间交叉特征重校准表示如下：

47、；

48、式中，为第m条路径交叉重校准后的输出；、分别为第m、n条路径的输入特征；、为相应路径的通道调制向量；为从路径n到路径m的跨路径残差权重；m、n为路径编号且n≠m；表示按元素乘法。

49、优选的，s8中预测概率计算公式如下：

50、；

51、；

52、式中，为第c个通道经全局平均池化后的标量；为注意力特征；l′为时间长度；为样本属于第j类的预测概率，取值为[0,1]；和分别为第j类分类器的权重向量与偏置；g为由全部组成的特征向量；c为故障类别总数；j、r为类别索引；、分别为第r类分类器的权重向量与偏置。

53、优选的，三路径自适应时频融合网络训练时，采用复合损失函数进行训练，复合损失包含交叉熵分类损失、有监督对比原型损失、物理耦合正则损失，反向传播同步更新全部网络参数。

54、与现有技术相比，本发明的有益效果是：

55、本发明旨在克服现有少量样本滚动轴承故障诊断方法存在的上述缺陷，提供一种基于三路径自适应时频融合网络的少量样本滚动轴承故障诊断方法；依托轴承故障物理机理实现振动信号分路径解耦提取，增加路径间带物理约束的信息交互，自适应适配不同信噪比噪声环境，以轻量化并行结构完成长时序特征建模，在故障标注样本稀缺、强背景噪声工况下，同步提升故障诊断准确率、训练稳定性与边缘设备部署适配性。

56、本技术物理先验驱动的动态初始化以输入谱峰和设备固有频率区间共同约束卷积核中心频率，减少随机初始化阶段的宽频盲目搜索，提高小样本训练效率和稳定性。

57、本技术路径间交叉特征重校准通过可学习且受物理先验约束的耦合矩阵实现路径间双向补充，显式利用“冲击激发共振、共振定位反哺冲击去伪”的关系。

58、噪声感知子空间门控按样本或批次的子空间结构调节噪声保留比例，可在不同信噪比之间自适应折中，增强噪声工况下的鲁棒性。

59、多路径融合及轻量级时序—通道注意力聚合以扩张因果卷积替代循环结构，支持并行运算；配合深度可分离卷积和eca注意力，在保持长程依赖建模能力的同时显著减少参数，适合在线监测和边缘部署。

60、复合损失直接约束特征空间的类内紧凑和类间分离，并保持路径耦合的物理合理性，进一步抑制少量样本过拟合。