变工况组合缺失下多条件语义引导的轴承故障样本扩散生成方法

本发明属于机械装备健康监测与智能故障诊断，涉及变工况组合缺失下多条件语义引导的轴承故障样本扩散生成方法，具体涉及一种面向变工况组合缺失场景的轴承故障样本生成与诊断增强方法；包括轴承振动信号处理、时频域特征提取、语义提示词构建、gpt-2语义编码、lora参数高效微调、条件扩散模型、故障样本生成以及强噪声条件下的轴承故障诊断增强等。

背景技术：

1、滚动轴承是旋转机械中的关键支承部件，其运行状态直接影响设备的安全性和稳定性。轴承在长期运行过程中容易受到交变载荷、转速波动、冲击振动和环境噪声等因素影响，产生内圈、外圈或滚动体等局部故障。若故障不能及时识别，可能导致设备振动加剧、传动精度下降，甚至引发停机失效。

2、现有轴承故障诊断方法多采用数据驱动模型，例如卷积神经网络、循环神经网络、transformer及其改进结构等。这类方法能够从振动信号中自动学习故障特征，并在样本充足、工况覆盖完整的条件下取得较高诊断精度。然而，在实际工程中，轴承故障样本往往存在数量不足、类别不均衡和工况组合缺失等问题。例如，训练集中可能缺少某一故障尺寸与某一转速组合下的样本，导致诊断模型难以学习完整的故障分布，在未见组合条件下泛化能力下降。

3、针对样本不足问题，现有技术中常采用迁移学习、域适应、小样本学习或数据增强方法进行改进。迁移学习和域适应方法通常需要目标工况下存在少量样本，难以直接解决完全缺失组合下的样本补全问题。生成式方法如vae和gan也被用于故障样本扩充，但vae生成样本容易过于平滑，难以保持振动信号中的冲击特征；gan在小样本和强噪声条件下容易出现训练不稳定、模式崩溃和生成质量波动等问题。

4、扩散模型通过逐步加噪和反向去噪过程学习数据分布，具有训练稳定、生成质量高和条件控制能力强等优点，逐渐被用于时间序列生成和故障样本增强任务。然而，现有条件扩散模型多采用简单类别标签、转速标签或负载标签作为条件输入，难以充分表达故障类型、故障尺寸、转速以及信号时频特征之间的复杂关系。

5、近年来，大语言模型为复杂条件表达提供了新的思路。通过将故障类型、故障尺寸、转速以及时频域统计特征组织为文本提示词，并利用语言模型进行语义编码，可以为生成模型提供更丰富的条件信息。但如何将结构化工况条件与语义条件有效融合，并引导扩散模型生成缺失组合下的高质量轴承振动样本，仍是现有技术中需要解决的问题。

技术实现思路

1、本发明针对变工况与强噪声条件下轴承故障样本不足、组合工况缺失、生成样本质量不稳定以及诊断模型泛化能力不足等问题，提出变工况组合缺失下多条件语义引导的轴承故障样本扩散生成方法。本发明以cwru轴承数据集为研究对象，构建故障类型、故障尺寸和转速组合缺失场景；将故障类型、故障尺寸和转速构成结构化条件向量；同时提取均值、标准差、峰值、峭度、均方根值、功率谱密度、主峰频率、均方根频率和中心频率等时频域特征，并组织为任务提示词；然后采用gpt-2作为文本语义编码器，利用lora进行参数高效微调，将提示词映射为连续语义向量；最后将结构化条件与语义条件融合后输入条件去噪扩散模型（denoising diffusion probabilistic model，ddpm），引导模型生成缺失故障尺寸-转速组合下的轴承振动样本，并用于诊断模型增强。本发明主要贡献包括：提出结构化条件与gpt-2语义条件融合的条件扩散生成框架；引入时频域特征提示词和lora微调增强语义条件表达；构建了故障尺寸-转速组合缺失诊断场景，并通过多噪声条件下的生成质量评价、诊断增强实验、消融实验和对比实验验证了方法有效性。

2、为了实现上述目的，本发明采用的技术方案为：

3、变工况组合缺失下多条件语义引导的轴承故障样本扩散生成方法，包括以下步骤：

4、步骤1，采集并预处理带有故障类型、故障尺寸和转速标签的轴承连续振动信号，按照固定窗口切分得到轴承振动样本，依据故障类型、故障尺寸和转速标签划分已有组合与缺失组合，并构建生成模型训练数据、诊断模型训练数据及独立测试数据，得到已有组合训练样本集、缺失组合目标条件集合和全组合测试样本集；具体的：

5、步骤1.1，获取轴承连续振动信号及其对应的故障类型、故障尺寸和转速标签；其中，故障类型用于确定待训练或待调用的分故障类型生成模型，故障尺寸用于描述故障程度，转速用于描述运行工况。

6、步骤1.2，对步骤1.1得到的轴承连续振动信号按照预设窗口长度和滑动步长进行切分，使每个样本均为固定长度的一维振动信号，并使每个样本继承对应的故障类型、故障尺寸和转速标签，得到固定长度样本。

7、步骤1.3，基于步骤1.2得到的固定长度样本，按照“故障类型-故障尺寸-转速”进行组合归类；在每一种故障类型下，将参与生成模型训练的故障尺寸-转速组合定义为已有组合，将不参与生成模型训练且需要补全的故障尺寸-转速组合定义为缺失组合，得到已有组合集合和缺失组合目标条件集合。

8、步骤1.4，基于步骤1.3得到的已有组合集合构建生成模型训练样本集和基准诊断模型训练样本集，并另行保留覆盖全部故障尺寸-转速组合的真实样本作为独立测试样本集；缺失组合目标条件集合不参与生成模型训练，在具备相应真实样本的实验验证场景中仅用于生成质量评价。

9、步骤2，基于步骤1得到的已有组合训练样本集及缺失组合目标条件集合，对故障尺寸和转速进行归一化编码，分别构建并训练与内圈故障、滚动体故障和外圈故障对应的条件去噪扩散概率模型，得到结构化数值条件向量和故障类型模型选择条件g；具体的：

10、步骤2.1，将每个样本的故障类型记为g，将故障尺寸记为d，将转速记为v；同一故障类型的已有组合集合用于训练与g对应的条件ddpm，待生成缺失组合样本时采用相同的g选择对应条件ddpm。

11、步骤2.2，对故障尺寸d和转速v分别按照各自取值范围进行归一化，得到归一化故障尺寸dnorm和归一化转速vnorm，并构造结构化数值条件向量：

12、

13、步骤2.3，基于步骤2.1确定的故障类型模型选择条件g和步骤2.2得到的结构化数值条件向量cnum，得到用于后续语义条件融合的显式工况条件；其中，g用于约束故障类别，用于约束目标样本的故障程度和转速工况。

14、步骤3，基于步骤1得到的已有组合训练样本提取时域和频域统计特征，并将统计特征与目标故障类型、目标故障尺寸和目标转速组织为任务提示词p，得到用于语义编码的目标条件描述；具体的：

15、步骤3.1，对已有组合训练样本提取时域统计特征，所述时域统计特征包括均值、标准差、峰值、峭度、均方根值和峭度因子。

16、步骤3.2，基于步骤3.1对应的已有组合训练样本进一步提取频域统计特征，所述频域统计特征包括功率谱密度、主峰频率、均方根频率和中心频率。

17、步骤3.3，将目标故障类型、目标故障尺寸、目标转速以及步骤3.1和步骤3.2得到的时域统计特征、频域统计特征按照固定字段顺序组织为英文任务提示词p；对于缺失组合样本，目标时域统计特征、频域统计特征由同一故障类型已有组合样本的统计特征确定，具体采用已有组合特征统计值或基于已有组合特征进行估计，而不使用缺失组合真实样本参与生成模型训练。

18、对于每一个待生成样本，首先构造英文任务提示词p。该提示词p包含故障类型、故障尺寸、转速以及目标信号的时域统计特征、频域统计特征，使生成模型能够获得更细粒度的信号分布约束。

19、步骤4，基于步骤3得到的任务提示词p对gpt-2语义编码器引入lora低秩适配参数，并进行参数高效微调，再对任务提示词进行分词、语义编码、平均池化和线性投影，得到固定维度的文本语义条件向量；具体的：

20、步骤4.1，设待生成样本对应的英文任务提示词为p，利用分词器将其转换为长度为l的token序列：

21、

22、其中，p表示输入gpt-2语义编码器的任务提示词；z表示任务提示词经过分词后得到的token序列；表示第i个token；l表示token序列长度。

23、步骤4.2，将token序列输入经过lora微调的gpt-2语义编码器，得到最后一层隐藏状态矩阵：

24、

25、其中，h表示gpt-2语义编码器输出的隐藏状态矩阵；表示第i个token对应的隐藏状态向量；表示gpt-2隐藏层的维度；为隐藏状态空间，为transformer层数。

26、步骤4.3，为了得到固定长度的文本语义条件向量，对所有token序列的隐藏状态进行平均池化，并通过线性投影映射到ddpm条件空间：

27、

28、其中，表示gpt-2语义编码器提取的文本语义条件向量；和分别表示线性投影层的权重矩阵和偏置项；表示第

i个token对应的隐藏状态向量；表示token在序列中的索引序号。

29、文本语义条件向量用于表达任务提示词中包含的目标信号时域特征和频域特征，使生成模型能够获得更细粒度的信号分布约束。

30、步骤4.4，为降低gpt-2微调的参数量，本发明采用lora方式对gpt-2语义编码器进行参数高效微调。lora不直接更新gpt-2语义编码器的原始权重，而是在注意力模块中引入低秩可训练增量。对于原始权重矩阵，lora微调后的等效权重表示为：

31、

32、其中，表示gpt-2语义编码器的原始冻结权重；表示lora引入的低秩权重增量；和为可训练低秩矩阵，为第一低秩矩阵、为第二低秩矩阵；表示lora秩；表示缩放系数。

33、训练过程中，仅更新lora适配参数以及后续条件投影层参数，从而在较低计算开销下获得面向轴承故障生成任务的语义编码能力。

34、步骤5，基于步骤2得到的结构化数值条件向量cnum、故障类型模型选择条件g以及步骤4得到的文本语义条件向量ctext构造完整多条件引导向量c，并对与g对应的条件ddpm进行前向加噪训练和反向引导去噪生成，得到目标缺失故障尺寸-转速组合的轴承振动生成样本；具体的：

35、结构化条件由故障尺寸和转速组成，表示为：

36、

37、其中，表示结构化数值条件向量；表示归一化后的故障尺寸；表示归一化后的转速。

38、将结构化数值条件向量与文本语义条件向量进行拼接，得到输入条件ddpm的完整多条件引导向量：

39、

40、其中，表示最终条件引导向量。该最终条件引导向量同时包含故障类型、故障程度、转速工况、故障特征频率以及时频域统计特征语义信息。

41、最终条件ddpm的反向去噪网络表示为：

42、

43、其中，表示第t步的含噪振动信号；t表示扩散时间步；表示多条件引导向量；表示条件ddpm预测的噪声。

44、通过上述方式，条件去噪扩散模型ddpm在反向去噪过程中不仅受到故障类型、故障尺寸和转速等显式条件约束，同时受到由gpt-2语义编码器编码得到的时频域语义信息约束，从而实现面向缺失故障尺寸-转速组合的可控故障样本生成。

45、步骤6，基于步骤1得到的已有组合训练样本集与步骤5得到的目标缺失故障尺寸-转速组合的轴承振动生成样本构建增强训练集，训练故障诊断模型并在步骤1得到的全组合测试样本集上进行诊断验证，得到经诊断有效性验证的缺失组合轴承故障生成样本集及增强故障诊断模型，从而完成变工况组合缺失下多条件语义引导的轴承故障样本扩散生成；具体的：

46、步骤6.1，使用步骤1得到的已有组合训练样本集训练基准故障诊断模型，得到baseline诊断结果。

47、步骤6.2，将步骤5得到的目标缺失故障尺寸-转速组合的轴承振动生成样本加入步骤6.1所用的已有组合真实诊断训练样本中，构建增强训练集，并在相同诊断网络结构与训练设置下训练增强故障诊断模型。

48、步骤6.3，使用步骤1得到的全组合测试样本集分别测试baseline诊断模型和增强故障诊断模型，通过诊断准确率评价生成样本对缺失组合诊断信息的补充作用；在实验场景具有缺失组合真实样本时，还可通过生成样本与真实样本的时域相似性和分布差异进一步评价生成质量。

49、本发明的有益效果为：

50、（1）本发明通过步骤1显式构建已有组合训练样本集和缺失组合目标条件集合，并在步骤5仅利用已有组合训练样本集训练条件去噪扩散模型ddpm后生成缺失组合样本，使训练数据能够覆盖原始训练集中未出现的故障尺寸-转速组合，从数据层面缓解变工况组合缺失造成的诊断信息空缺。

51、（2）本发明将故障类型条件、由故障尺寸和转速构成的结构化数值条件以及由时频域统计特征构成的文本语义条件联合用于扩散生成；其中，故障类型通过分故障类型模型和任务提示词共同约束，结构化数值条件提供明确工况约束，文本语义条件提供细粒度分布约束，因此能够提高生成样本与目标故障状态及目标工况之间的匹配程度。

52、（3）本发明在gpt-2语义编码器中引入lora低秩适配参数，仅更新低秩适配参数和条件投影层参数，即能够将任务提示词中的故障类型、故障尺寸、转速及时频域统计特征映射为固定维度语义条件向量，从而在降低语义编码器微调开销的同时增强面向轴承故障生成任务的条件表达能力。

53、（4）本发明采用条件去噪扩散模型ddpm的前向加噪与反向去噪机制，并通过训练阶段的条件丢弃和生成阶段的有条件/无条件联合引导修正噪声预测结果，使生成过程在小样本和强噪声条件下仍具有稳定的分布学习能力；结合本实施例的对比实验，所述方法在强噪声条件下的生成分布稳定性和诊断增强效果优于gan和vae基线。