一种小样本条件下的模锻压机故障诊断方法

本发明涉及模锻压机故障诊断领域，尤其涉及一种小样本条件下的模锻压机故障诊断方法。

背景技术：

1、800mn模锻压机作为航空航天及重型装备制造领域的核心关键设备，其运行状态直接关系到生产安全与产品质量。然而，在实际工业现场中，该类大型装备长期处于正常工况运行状态，故障发生频率极低，导致可获取的带标签故障样本极为稀缺，且各类典型故障之间往往存在严重的数量不平衡问题。这种小样本且类别失衡的数据分布特性，给故障诊断带来了巨大挑战。传统的故障诊断方法多依赖于支持向量机、神经网络等判别式模型，这类模型的性能在很大程度上受限于标注数据的规模与质量，在样本量不足的情况下极易出现过拟合现象，难以保持稳定的泛化能力。

2、为缓解数据匮乏问题，现有技术常采用数据增强或生成式模型进行样本扩充。然而，针对模锻压机多变量时序信号的非线性、强耦合及高动态特征，现有的样本扩充方法仍存在显著缺陷：一方面，基于几何变换或信号处理的传统增强手段仅能改变信号的表层形态，无法学习并刻画故障数据内在的复杂概率分布；另一方面，生成对抗网络（gan）等深度生成模型虽然具备一定的分布学习能力，但在小样本条件下训练稳定性差，容易出现模式崩塌或梯度消失，导致生成的样本多样性不足、物理一致性差，甚至引入虚假特征，反而误导后续的分类器训练。此外，即便获得了部分扩充样本，如何在小样本条件下充分挖掘正常数据中的先验知识，并将其有效迁移至故障识别任务中，以弥补故障特征空间的稀疏性，也是当前技术面临的难点。由于缺乏有效的特征迁移机制，现有方法往往将样本生成与故障分类割裂处理，未能形成端到端的协同优化，限制了整体诊断精度的提升。

3、综上，现有技术在应对800mn模锻压机小样本故障诊断时，既难以高质量地生成符合真实物理规律的故障样本，又无法充分利用正常工况下的丰富数据进行知识迁移，导致诊断模型在少样本、不平衡场景下的鲁棒性和准确率难以满足工程需求。

4、因此，怎样才能在小样本及类别不平衡条件下实现模锻压机故障样本的高质量生成与多维特征的有效迁移，从而显著提升故障诊断模型的泛化性能与识别精度，成为目前亟待解决的问题。

技术实现思路

1、针对现有技术存在的上述不足，本发明的目的在于，提供一种小样本条件下的模锻压机故障诊断方法，能够怎样才能在小样本及类别不平衡条件下实现模锻压机故障样本的高质量生成与多维特征的有效迁移，从而显著提升故障诊断模型的泛化性能与识别精度。

2、为了解决上述技术问题，本发明采用的技术方案是这样的：

3、一种小样本条件下的模锻压机故障诊断方法，包括以下步骤：

4、s1、获取模锻压机在各类典型故障下的故障窗口样本，并为各故障窗口样本设置对应的故障类别标签；

5、s2、针对每类典型故障，分别构建专用的条件扩散生成网络，并利用s1获取的该典型故障的故障窗口样本进行训练；利用训练完成的各条件扩散生成网络分别生成对应典型故障的扩充故障窗口样本；

6、其中，各条件扩散生成网络的结构一致，以diffusion transformer为骨干，网络内部通过自适应层归一化模块将对应的故障类别标签作为条件嵌入网络各层；在训练过程中，采用余弦噪声调度策略控制加噪与去噪过程；在生成所述扩充故障窗口样本时，采用无分类器引导机制增强生成样本的类别一致性；

7、s3、将s2生成的各扩充故障窗口样本与s1获取的各故障窗口样本合并，得到扩充样本集；

8、s4、获取模锻压机在正常工况下的多变量时序信号，对预设的时序卷积网络进行异常检测预训练，得到包含时序卷积网络主干和双轨池化层的预训练异常检测模型；

9、s5、冻结s4的预训练异常检测模型的时序卷积网络主干参数后，将s3的扩充样本集中的各样本分别输入预训练异常检测模型，提取各样本经所述双轨池化层输出的高维迁移特征向量；

10、s6、以s5提取的各样本的高维迁移特征向量以及各样本的故障类别标签为训练数据，对预设的随机森林分类器进行训练，得到故障诊断模型；

11、s7、将待诊断模锻压机窗口样本输入s4的预训练异常检测模型，提取其高维迁移特征向量并输入s6的故障诊断模型，得到故障类型识别结果。

12、与现有技术相比，本发明具有如下优点：

13、1、提升了小样本下故障数据生成的质量与稳定性。现有技术中，生成对抗网络（gan）在小样本训练时易出现模式崩塌，而传统数据增强方法难以捕捉多变量时序信号的复杂分布。本方案采用以diffusion transformer为骨干的条件扩散生成网络，结合余弦噪声调度策略，相比gan具有更稳定的训练过程和更优的分布覆盖能力；同时，通过自适应层归一化模块将故障类别标签深度嵌入网络各层，并配合无分类器引导机制，有效增强了生成样本的类别一致性与物理真实性，避免了生成虚假或模糊特征的问题。

14、2、实现了正常工况先验知识向故障诊断任务的有效迁移。现有方法通常将样本生成与特征提取割裂处理，且在小样本下直接训练分类器极易过拟合。本方案利用大量易于获取的正常工况信号对时序卷积网络进行异常检测预训练，使模型预先学习到设备运行的通用时序模式与动力学特性；随后冻结主干参数，仅利用双轨池化层提取扩充样本的高维迁移特征。这种方式充分利用了正常数据的丰富信息来弥补故障样本的特征稀疏性，相比直接从零开始训练故障分类模型，显著降低了模型对标注数据的依赖，增强了特征的判别力与鲁棒性。

15、3、增强了故障诊断模型在类别不平衡场景下的泛化能力。传统判别式模型在样本极度不平衡时往往偏向多数类，导致少数类故障识别率低。本方案通过为每类典型故障构建专用的条件扩散生成网络进行针对性扩充，从根本上缓解了类别不平衡问题；同时，采用随机森林作为下游分类器，结合高质量迁移特征进行训练，相比单一神经网络分类器具有更强的抗过拟合能力和对小样本类别的包容性，从而保证了各类故障识别性能的均衡与稳定。

16、综上，本方法可以在小样本及类别不平衡条件下实现模锻压机故障样本的高质量生成与多维特征的有效迁移，从而显著提升故障诊断模型的泛化性能与识别精度。

17、优选地，s2中，所述条件扩散生成网络的前向扩散过程在t步内逐步向原始故障窗口样本注入高斯噪声，利用重参数化技巧由原始故障窗口样本直接获得任意步加噪结果的闭合形式为：

18、；

19、；

20、其中，为累积信噪比；为第s步的噪声强度，由所述余弦噪声调度策略给定；为噪声变量；表示噪声变量服从均值为0、协方差矩阵为单位矩阵的标准多元高斯分布；t表示前向扩散过程中的当前时间步。

21、这样的设置，显著提升了扩散模型在小样本时序信号生成中的训练稳定性与样本保真度。相较于传统扩散模型中直接对噪声方差进行离散采样或使用固定调度的方式，本方案通过重参数化将加噪过程显式建模为信噪比累积函数与标准高斯噪声的解析组合，避免了数值积分误差与随机采样波动带来的训练不稳定性；同时，由于可随时间平滑变化，使得加噪路径更符合物理信号退化规律，从而在有限故障样本约束下仍能生成时序结构连贯、幅频特性合理、类别语义清晰的扩充样本，为后续高精度故障识别奠定可靠的数据基础。

22、优选地，s2中，所述余弦噪声调度策略通过余弦函数定义累积信噪比的衰减曲线：

23、；

24、其中，为防止在时过小的偏移常数；为扩散过程总步数。

25、这样的设置，实现了加噪过程信噪比的平滑、非线性衰减，既避免了初始阶段信噪比骤降导致的原始信号信息过早丢失，又保证了后期高噪声阶段的充分扰动能力，从而在小样本条件下更精准地建模模锻压机故障时序信号的多尺度退化特性。相较于线性或平方根调度等传统策略，余弦调度使在早期变化缓慢，保留更多原始故障特征细节；中期加速衰减，促进模式探索；末期趋近于0，确保噪声主导。这种先缓后急的动态特性与机械系统故障演化中渐进性损伤导致突发性失效的物理规律更为契合；结合偏移常数的引入，可有效防止时接近0所引发的初始梯度爆炸或生成失真问题，显著提升了扩散模型在极少量故障样本下的训练收敛性与生成保真度。

26、优选地，s2中，对所述条件扩散生成网络进行训练时，以故障类别标签条件，训练目标为最小化各类故障样本上的条件噪声预测误差，损失函数为：

27、；

28、；

29、其中，为前向扩散过程中添加的高斯噪声；为去噪网络预测的噪声；为标签对应故障类别的真实数据分布。

30、这样的设置，通过显式以类别标签为条件引导噪声预测任务，使扩散生成网络在小样本下仍能学习到类别特异的时序退化模式，显著提升生成样本的语义一致性与物理合理性。相较于无条件扩散或仅在输入层嵌入标签的弱条件建模方式，本方案将类别信息深度耦合至噪声预测过程，迫使网络在每一扩散步都依据故障类型调整去噪策略。这种细粒度的条件约束有效缓解了小样本场景下因数据稀疏导致的类别混淆问题，避免生成跨类混合样本，从而为后续分类任务提供高保真、强判别性的扩充数据支撑。

31、优选地，s2中，所述条件扩散生成网络以diffusion transformer为骨干，所述diffusion transformer由多个依次串联的dit block构成，每个dit block包含自注意力子模块、前馈神经网络子模块以及两处自适应层归一化模块；

32、所述自适应层归一化模块将对应的故障类别标签作为条件嵌入网络各层，包括：

33、将当前去噪步骤通过正弦-余弦位置编码转换为时间嵌入向量，将目标故障类别标签通过可学习嵌入矩阵查表获得类别嵌入向量，二者拼接后输入一个多层感知机，得到条件向量：

34、；

35、其中，为标准正弦-余弦位置编码；为可学习矩阵查表获得的故障类别嵌入向量；mlp为两层非线性展开网络；下标t表示前向扩散过程中的当前时间步；

36、所述条件向量经一个零初始化的线性变换层，生成缩放参数、平移参数与门控参数；

37、在每个dit block的自适应层归一化模块中，先对输入特征执行标准层归一化操作，再利用所述缩放参数对归一化后的特征进行逐元素缩放，利用所述平移参数进行逐元素平移，并利用所述门控参数调节该dit block的整体贡献量，得到调制后的特征输出。

38、这样的设置，实现了故障类别语义与扩散时间步的联合、细粒度特征调控，使网络能在不同噪声水平下自适应地强化或抑制与当前故障类型相关的关键时序模式，从而在极小样本约束下仍保持生成过程的类别专一性与物理一致性。相较于传统仅将标签拼接至输入或使用简单注意力引导的方式，本方案将条件信息注入至每一dit block的归一化环节，既避免了浅层嵌入导致的高层语义弱化问题，又克服了全局条件向量难以适配多尺度特征的局限；尤其在模锻压机这类强非线性系统中，不同故障在相同噪声强度下应呈现差异化的频域响应与瞬态特征，而adaln通过动态调节各层特征均值与方差，可精准引导网络聚焦于类别判别性子空间，显著降低生成样本的类间混淆风险，提升扩充数据对下游分类任务的有效支撑能力。

39、优选地，s2中，在生成扩充故障窗口样本时采用的无分类器引导机制，其推理阶段的噪声预测计算公式为：

40、；

41、其中，为引导强度；为无条件噪声预测结果；为有条件噪声预测结果；

42、训练阶段，以预设概率随机将故障类别标签替换为空标记null，使网络同时具备有条件与无条件的噪声估计能力。

43、这样的设置，在不引入额外分类器的前提下，通过线性插值方式动态增强生成过程对故障类别的语义聚焦能力，显著提升小样本下生成样本的类别保真度与细节清晰度，同时避免了分类器训练不稳定、梯度冲突等常见问题。

44、优选地，s2中，采用去噪扩散隐式模型ddim对生成扩充故障窗口样本的采样过程进行加速，通过构建确定性逆向马尔可夫链将采样步数缩短至100步。

45、这样的设置，在几乎不损失生成质量的前提下，将推理采样速度提升一个数量级以上，使扩散模型在实时性要求较高的工业故障数据扩充场景中具备工程落地可行性。

46、优选地，s4中，所述预训练异常检测模型的获取方式为：获取模锻压机在正常工况下的多变量时序信号，经滑动窗口分割后得到正常工况窗口样本；以所述正常工况窗口样本为训练集，对预设的时序卷积网络进行异常检测预训练，训练完成后仅保留时序卷积网络主干和双轨池化层的参数，得到所述预训练异常检测模型；

47、所述双轨池化层包括并行设置的全局最大池化分支和全局平均池化分支，所述高维迁移特征向量，为全局最大池化分支提取的峰值响应特征与全局平均池化分支提取的全局统计均值特征拼接后，形成的512维特征向量。

48、这样的设置，通过仅利用正常数据进行预训练并冻结骨干网络参数，实现了对工业设备隐性退化模式的高效表征学习，显著提升小样本或零样本异常检测的敏感性与泛化能力，同时避免因引入异常样本导致的模型偏置与过拟合风险。

49、优选地，s6中，对所述随机森林分类器进行训练时，依据各故障类别样本数量的倒数分配类别权重，使少数类别样本在节点分裂时的不纯度计算中获得与多数类别均等的贡献量。

50、这样的设置，有效缓解工业故障数据中典型的长尾分布问题，在不依赖过采样或欠采样等数据层面操作的前提下，通过损失函数级的类别重加权机制，显著提升少数类故障的识别召回率，同时维持整体分类精度稳定。

51、优选地，s1中，所述故障窗口样本为经滑动窗口分割后的多变量时序信号；所述滑动窗口的窗口长度与所述条件扩散生成网络的输入维度、所述预训练异常检测模型的输入维度一致；

52、所述典型故障的类型包括压力/泄漏类故障、速度/伺服类故障、倾斜/运动类故障。

53、这样的设置，通过统一输入维度与样本构造范式，消除了跨模块间因尺度或结构错配导致的信息失真与模型退化，使生成的扩充样本可无缝嵌入下游检测流程并保持语义一致性，显著提升小样本故障场景下整个智能诊断系统的端到端有效性与可信度。