一种基于双分支协同的故障诊断方法、系统和存储介质与流程

本发明涉及基于深度学习的智能故障诊断技术。

背景技术：

1、随着现代工业向自动化、智能化和连续化方向发展，对旋转机械、数控机床、风力发电机等核心工业设备进行实时健康状态监测与故障诊断，已成为保障生产安全、降低维护成本的关键技术。近年来，基于深度学习的智能故障诊断方法凭借其强大的特征自动提取能力，在工业预测性维护领域取得了广泛应用。例如公开号为cn112084974a，公开日为2020年12月15日，专利名称为《一种基于元学习的多标签滚动轴承故障诊断方法》的公开文献

2、然而，在实际工业应用场景中，现有的智能故障诊断方法仍存在以下显著的缺陷与技术瓶颈：

3、1、依赖海量且高质量的有标签故障样本：现有的深度学习故障诊断模型多依赖于传统的有监督学习架构。这类方法若要达到较高的诊断准确率，必须建立在各类故障样本标签完整、数量充足的前提下。但在实际工厂环境中，设备绝大多数时间都处于正常运行状态，故障属于极少发生的稀缺事件。这导致工程现场能够采集到的数据呈现出“海量无标签正常数据、极稀缺有标签故障数据”的严重非对称分布。传统的有监督模型在面对这种极度不平衡的小样本数据时，极易发生过拟合，导致实际诊断性能大幅背离当前先进水平。

4、2、半监督机制下伪标签的错误累积与级联放大：为了利用海量的无标签数据，现有技术常引入半监督学习或自训练机制，通过初级分类器为无标签数据预测“伪标签”并纳入训练集。然而，在训练初期或强噪声干扰下，初级分类器对故障特征的辨识度极低，极易产生错误的伪标签。这种错误分类信息在网络迭代过程中会被不断确认和放大，引发严重的“确认偏误”现象，最终导致模型训练崩塌、误报率与漏报率激增。

5、3、无监督表征与有监督分类之间的语义断层：目前部分研究尝试采用无监督学习（如传统的自编码器、大模型自监督预训练）来挖掘无标签数据的全局表征。然而，纯无监督学习由于缺乏确定性标签的制约，其学习到的特征多偏向于宏观的全局统计规律（如对正常工况边界较为敏感），而难以捕获针对微观、细粒度缺陷（如轴承内圈微小剥落与外圈损伤的微弱差异）的判别性特征。现有技术缺乏一种能够将无监督的“全局稳健表征能力”与有监督的“细粒度故障判别能力”进行深度协同与动态互补的有效机制，使得两者的优势无法结合。

技术实现思路

1、本发明要解决的技术问题是针对现代工业设备在健康状态监测中面临的“海量无标签正常数据与极稀缺有标签故障数据”严重非对称分布、现有半监督学习机制极易因伪标签误标记导致模型崩塌、以及纯无监督表征网络与有监督分类网络之间存在语义断层而无法兼顾全局稳健性与细粒度辨识度的问题，实现一种基于无监督与有监督双分支协同的故障诊断方法。

2、为了实现上述目的，本发明采用的技术方案为：一种基于双分支协同的故障诊断方法，包括以下步骤：

3、步骤s1、多源工业数据采集与双流非对称数据增强预处理；

4、步骤s2、无监督与有监督协同的双分支特征提取；

5、步骤s3、基于动态阈值的跨分支一致性协同与伪标签自适应生成；

6、步骤s4、自适应非对称知识蒸馏的联合损失优化训练；

7、步骤 s5、故障诊断与健康评估输出。

8、所述步骤s1中，先同步数据采集，再采用双流非对称数据增强预处理机制；

9、所述同步数据采集是同步、连续采集传感器组的多源一维时序信号构建包含极少量有标签故障样本和海量无标签样本的异构混合训练数据集；

10、所述双流非对称数据增强预处理机制是针对所述无标签样本，通过构建非对称的数据增强算子体系，将原始一维时序信号映射为具备不同扰动强度的空间多视图表征。

11、所述空间多视图表征包括弱增强视图的构建和强增强视图的构建；

12、所述弱增强视图的构建是对原始一维时序信号施加轻度几何扰动算子，通过随机标度缩放动态调整信号幅值，并结合高斯重采样对时间采样率进行微调，在保持原始一维时序信号的基本时频拓扑结构与本质语义不发生畸变的前提下，生成弱增强变体样本；

13、所述强增强视图的构建是对原始一维时序信号施加重度语义破坏扰动算子，利用高阶高斯白噪声注入算子模拟现场极端环境噪声，并通过随机频率掩码在频域中对特定特征频段进行零值化遮蔽，进一步结合时域切片乱序重组算子打破局部时序的连续性与相位依存关系，在强制剥离局部冗余信息、提升模型泛化壁垒的前提下，生成强增强变体样本。

14、所述步骤s2中，构建空间并行的双分支深度神经网络拓扑架构，包括无监督自监督对比表征分支和有监督细粒度故障分类分支；

15、所述无监督自监督对比表征分支命名为分支 a，采用基于动量对比架构的一维深度残差网络，将无标签的弱增强变体样本与强增强变体样本共同输入分支a，通过最大化同一原始信号不同增强版本之间的表征互信息，提取出全局退化特征向量；

16、所述有监督细粒度故障分类分支命名为分支b，采用与分支a结构相同但权重参数独立的深度残差分类网络，将数据集中极少量的有标签故障样本输入分支b，利用标签的确定性监督信息，直接映射到设备的细粒度缺陷物理空间，提取出故障特征向量。

17、所述步骤s3包括以下步骤：

18、步骤s3.1、动态置信度阈值计算：在模型训练的每个批次中，实时统计并计算当前模型对全局无标签数据的整体预测置信度均值；

19、步骤s3.2、软标签预测与评估：将无标签样本的弱增强变体样本输入无监督分支a，输出其在表征空间中的条件概率分布评分；

20、步骤s 3.3、高纯度伪标签分配：设立置信度门控，当且仅当时，将分支a预测概率最高的一维独热向量激活，作为该样本的硬伪标签；

21、步骤s 3.4 、一致性正则化约束，将对应的强增强变体样本输入有监督分支b，强制要求分支b的分类层去预测分支a生成的硬伪标签，通过弱增强引导强增强的一致性正则化，将无监督分支学到的稳健共性表征无损地传导至有监督分支。

22、所述步骤s4中，训练阶段采用多流端到端的全优化模式，构建多任务联合损失函数 ，并进行网络参数更新；

23、

24、其中，为平衡系数，为有监督分类损失，为无监督自监督对比损失，为自适应非对称知识蒸馏损失。

25、所述有监督分类损失是针对极少量的有标签样本，在分支b的输出端计算标准交叉熵损失；

26、所述无监督自监督对比损失是针对批次内的所有样本，在分支a内部利用损失函数进行约束，最小化正样本对之间的距离，最大化负样本对之间的距离；

27、所述自适应非对称知识蒸馏损失是用于融合双分支各自的物理优势，利用非对称的kl散度来约束两个分支在海量无标签数据上的软标签概率分布一致性：

28、

29、其中，为当前样本被判定为存在故障的概率得分；

30、当设备运行在健康或轻微退化阶段时，趋近于0，损失函数退化为由无监督分支a主导，强力约束有监督分支偏离正常边界；

31、当设备运行在故障演变阶段时，迅速增大，损失函数自适应切换为由有监督分支b主导，反向指导无监督分支a捕获微观畸变。

32、所述步骤 s5中，实时将传感器采集到的未知运行信号直接输入经过步骤 s1 至步骤 s4有监督细粒度故障分类分支中，由分支 b 的分类层直接输出当前设备是否存在故障、故障的恶化程度，以及具体的细粒度故障类型。

33、一种基于双分支协同的故障诊断系统，系统设有安装在目标工业设备上的传感器组，所述传感器组连接并输出感应信号至处理设备，所述传感器组输出的未标记数据输送至处理设备的样本增强模块，所述样本增强模块将处理后的信号输送至无监督自监督对比表征分支模块，所述传感器组输出的少量有标记数据和有标记故障样本输送至处理设备的有监督细粒度故障分类分支模块，所述无监督自监督对比表征分支模块和有监督细粒度故障分类分支模块均连接并输出处理后的数据至故障诊断与健康评估输出模块，所述故障诊断与健康评估输出模块输出分析结构至显示设备，基于双分支协同的故障诊断系统执行所述基于双分支协同的故障诊断方法。

34、一种存储介质，所述存储介质为用于存储软件程序代码的计算机可读存储介质，所述软件程序代码是用于执行所述基于双分支协同的故障诊断方法。

35、本发明通过构建无监督自监督对比表征分支与有监督细粒度故障分类分支的双并行架构，利用动态置信度阈值的跨分支伪标签生成机制打破语义壁垒，并结合自适应非对称知识蒸馏损失函数约束双分支的动态进化，实现在缺乏故障标签的工业场景下对设备故障的高精准度智能诊断。