基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法

本技术涉及机械故障诊断，特别是涉及一种基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法、系统、计算机设备及存储介质。

背景技术：

1、随着现代工业系统向大型化、复杂化和自动化方向快速发展，旋转机械设备如齿轮箱、感应电机等核心关键部件长期在高速、重载等恶劣工况下运行，其可靠的状态监测与早期故障诊断对于预防突发性设备停机、减少重大经济损失和避免安全事故至关重要。近年来，深度学习技术凭借其强大的端到端特征提取与模式识别能力，被广泛应用于旋转机械故障诊断领域，其中以一维卷积神经网络为代表的深度模型在实验数据集上能够达到近乎完美的诊断精度。

2、然而，真实工业应用场景中旋转机械的运行环境极为复杂，传感器采集的振动信号中不可避免地混入两类严重的复合干扰成分：一类是由转子不平衡、齿轮啮合等机理产生的宏观低频机械谐波，另一类是工业现场普遍存在的环境高斯白噪声。这两类干扰的能量往往远高于轴承早期故障产生的微弱周期性冲击脉冲，导致采集信号的信干噪比极低，故障脉冲被严重淹没。现有方法通常在信号处理与深度学习之间采用简单的串行拼接架构，例如将变分模态分解等信号处理技术作为前端对信号进行频段分离，再将分离结果输入深度学习模型进行分类。这种松耦合架构中，信号处理模块与深度学习模块各自独立设计，中间缺乏有效的信息传递与反馈机制，导致信号处理过程无法根据后续诊断任务的需求进行自适应调整。同时，深度模型作为“黑箱”极易过拟合高能量干扰成分，在低信干噪比条件下诊断性能急剧退化。因此，如何实现物理信号先验与深度学习的深度耦合，使模型在极低信干噪比条件下仍能准确捕获早期故障脉冲特征，是当前旋转机械故障诊断领域亟待解决的技术难题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够在强复合干扰条件下实现旋转机械早期弱故障高精度鲁棒诊断的基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法、系统、计算机设备及存储介质。

2、第一方面，本技术提供了一种基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法。所述方法包括：

3、获取原始纯净一维振动信号，对所述原始纯净一维振动信号执行特征处理后得到多尺度融合特征；所述特征处理依次包括：标准化处理、变分模态分解、各通道均方根值和峰度计算及物理先验向量拼接、注意力加权、以及多尺度特征提取；

4、在初始训练轮次，基于所述多尺度融合特征训练多尺度网络，建立初始基准训练损失；

5、在后续每个训练轮次，根据前一轮次平均训练损失相对于所述初始基准训练损失的下降程度计算动态难度因子，并根据所述动态难度因子分别调节当前轮次的谐波干扰强度上界和高斯噪声强度上界；在每个训练批次中，从下界为零且上界分别为所述谐波干扰强度上界和所述高斯噪声强度上界的取值范围内，分别连续采样得到实际谐波干扰强度和实际高斯噪声强度；根据所述实际谐波干扰强度和所述实际高斯噪声强度，对当前批次的所述原始纯净一维振动信号合成动态污染信号后，基于对所述动态污染信号执行所述特征处理后得到的污染多尺度融合特征训练所述多尺度网络；

6、在所有轮次训练完成后，对待诊断振动信号执行所述特征处理后，通过所述多尺度网络进行分类，输出故障诊断结果。

7、在其中一个实施例中，所述各通道均方根值和峰度计算，包括：

8、通过以下公式计算所述均方根值：

9、

10、通过以下公式计算所述峰度：

11、

12、其中，为第k个通道的均方根值，为第k个通道的峰度，为第k个通道的第i个采样点的采样值，为第k个固有模态函数的第i个采样点的采样值，为序列长度，为第k个通道的均值，为防止零除的极小常数。

13、在其中一个实施例中，所述根据前一轮次平均训练损失相对于所述初始基准训练损失的下降程度计算动态难度因子，包括：

14、通过以下公式计算所述动态难度因子：

15、

16、其中，为第t个训练轮次的动态难度因子，为第t-1个训练轮次的平均训练损失，为所述初始基准训练损失。

17、在其中一个实施例中，所述根据所述动态难度因子分别调节当前轮次的谐波干扰强度上界和高斯噪声强度上界，包括：

18、通过以下公式调节所述谐波干扰强度上界：

19、

20、通过以下公式调节所述高斯噪声强度上界：

21、

22、其中，为第t个训练轮次的谐波干扰强度上界，为第t个训练轮次的高斯噪声强度上界，为预设最大谐波干扰容忍限度，为预设最大高斯噪声容忍限度，为第t个训练轮次的动态难度因子。

23、在其中一个实施例中，所述对当前批次的原始纯净一维振动信号合成动态污染信号，包括：

24、通过以下公式合成所述动态污染信号：

25、

26、其中，为动态污染信号，为所述实际谐波干扰强度，为所述实际高斯噪声强度，为当前批次的原始纯净一维振动信号，为低频机械谐波的随机基频，为时间向量，为随机相位，为标准高斯白噪声。

27、在其中一个实施例中，执行所述注意力加权，包括：

28、将所述物理先验向量输入瓶颈多层感知器，经relu激活函数和sigmoid激活函数依次处理后，输出物理信息注意力权重；所述物理信息注意力权重的计算公式为：

29、

30、其中，为所述物理先验向量，为所述sigmoid激活函数，为所述relu激活函数，和为所述瓶颈多层感知器的可学习权重矩阵。

31、在其中一个实施例中，所述变分模态分解的约束变分问题为：

32、

33、约束条件为：

34、

35、其中，为连续时间域的时间变量，为第k个固有模态函数，为第k个固有模态函数的中心频率，为狄拉克分布，为卷积运算符，为虚数单位，为关于的偏导数，为标准化后的一维振动信号，为固有模态函数数量。

36、第二方面，本技术还提供了一种基于物理信息多尺度网络的旋转机械鲁棒故障诊断系统。所述系统包括：

37、特征提取模块，用于获取原始纯净一维振动信号，对所述原始纯净一维振动信号执行特征处理后得到多尺度融合特征；所述特征处理依次包括：标准化处理、变分模态分解、各通道均方根值和峰度计算及物理先验向量拼接、注意力加权、以及多尺度特征提取；

38、初始训练模块，用于在初始训练轮次，基于所述多尺度融合特征训练多尺度网络，建立初始基准训练损失；

39、污染调度训练模块，用于在后续每个训练轮次，根据前一轮次平均训练损失相对于所述初始基准训练损失的下降程度计算动态难度因子，并根据所述动态难度因子分别调节当前轮次的谐波干扰强度上界和高斯噪声强度上界；在每个训练批次中，从下界为零且上界分别为所述谐波干扰强度上界和所述高斯噪声强度上界的取值范围内，分别连续采样得到实际谐波干扰强度和实际高斯噪声强度；根据所述实际谐波干扰强度和所述实际高斯噪声强度，对当前批次的所述原始纯净一维振动信号合成动态污染信号后，基于对所述动态污染信号执行所述特征处理后得到的污染多尺度融合特征训练所述多尺度网络；

40、故障诊断模块，用于在所有轮次训练完成后，对待诊断振动信号执行所述特征处理后，通过所述多尺度网络进行分类，输出故障诊断结果。

41、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法。

42、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法。

43、上述基于物理信息多尺度网络的旋转机械鲁棒故障诊断方法、系统、计算机设备及存储介质，在通过构建物理信息多尺度网络实现旋转机械的鲁棒故障诊断方面，首先通过变分模态分解将原始振动信号自适应解耦为具有明确物理频带含义的多个固有模态函数，实现物理频域解耦，在此基础上联合评估各通道的峰度和均方根值作为物理先验描述符，通过瓶颈多层感知器生成物理信息注意力权重，对多通道张量进行逐元素加权，使得多尺度网络自主高亮高峰度脉冲性的故障冲击通道并抑制高能量低脉冲性的谐波干扰通道，从而解决传统注意力机制依赖全局平均池化导致脉冲尖峰被稀释、高能量谐波干扰获得高权重的能量中心偏差问题；随后通过并行多尺度一维卷积架构对加权后的特征进行多尺度特征提取，全面捕获宽频调制包络与高频瞬态尖峰等多频率成分特征。在多尺度网络的训练策略方面，通过在初始训练轮次基于无污染数据训练建立基准损失，在后续每个训练轮次根据前一轮平均损失相对于基准损失的下降程度动态调节注入的谐波干扰和高斯噪声的强度上界，并采用下界严格锚定为零的连续均匀采样机制在每个批次中注入实际干扰，使多尺度网络能够平稳地从纯净数据过渡到低信干噪比的复合干扰环境，避免传统离散课程学习在阶段切换时引发的灾难性遗忘问题。因此，通过物理先验与自适应课程学习的深度耦合，实现了强复合干扰条件下旋转机械早期弱故障的高精度鲁棒诊断。