面向数据非均衡场景的机械密封故障诊断方法及装置

本发明属于旋转机械状态监测与故障诊断领域，尤其是涉及一种面向数据非均衡场景的机械密封故障诊断方法及装置。

背景技术：

1、机械密封是旋转设备（混流泵、核主泵等）中关键的动密封部件之一，其核心作用是在转轴高速旋转的同时，实现介质的可靠密封与泄漏控制。相比填料密封，机械密封具有泄漏量小、摩擦功耗低、寿命长、可适应较高压力与转速等优势，因此在石油化工、海水输送、核电、冶金及制药等行业得到广泛应用。在工程现场，机械密封的运行状态直接关联到设备的安全、环保与经济性。一旦密封失效，可能导致易燃、易爆、有毒介质泄漏，引发火灾、爆炸或人员伤害。因此，将机械密封从“事后维修”提升为“在线监测诊断与预测性维护”，对保障重大装置长周期安全稳定运行具有重要意义。

2、同时需要指出的是，机械密封故障诊断在工程应用中还面临显著的样本不平衡问题：在真实生产场景下，正常工况数据易于长期连续获取，而故障（尤其是早期轻微失效）发生概率低、可用样本稀缺且类别分布极不均衡；不同失效模式的发生频次也存在明显差异，导致训练数据呈现“正常类占绝对多数、故障类少且分散”的典型特征。在此条件下，直接采用常规数据驱动模型往往会产生对多数类的偏置，表现为整体准确率看似较高但少数类召回率偏低、早期故障漏检率较高，难以满足在线监测对“早发现、早预警”的要求。因此，面向机械密封在线状态监测与智能诊断，亟需在特征提取与模型构建的基础上，引入不平衡学习与数据增强策略，提升少数类故障识别能力与模型的工程泛化性能。

3、目前，针对非均衡样本场景，主要有两方面的研究：分别为数据层面与算法层面的研究，其中当前的一些主流方法如下：

4、1）数据层重采样方法

5、该类方法主要通过改变训练数据的类别分布来缓解多数类主导问题，包括过采样（如smote）、欠采样（如rus）以及混合采样；其中过采样通过增加少数类样本数量解决问题而欠采样则通过减少多数类样本数量解决问题。该类方法依然是目前最可靠的方法之一，工程落地简单，几乎对所有模型都适用，拥有良好的普适性与通用性，但对样本噪声的抵抗性不足。

6、2）生成式数据增强

7、该类方法主要用生成模型学习少数类分布，并生成“逼真”的少数类样本补齐数据缺口，如：生成对抗网络、卷积变分自编码器、扩散模型等；该类方法为近些年的研究热点，但目前在工程领域依然使用甚少，主要是因为训练不稳定，易模式崩塌以及生成样本真实性难量化，存在“以假乱真但无助分类”的风险。

8、3）算法层代价敏感与损失函数改造

9、该类方法主要通过在不改变数据分布的情况下，通过类权重/代价矩阵/损失函数使模型更加关注少数类错误，如：类权重（class weight）、代价敏感学习等；该类方法适合在线更新与持续学习场景但代价/权重设置缺乏统一标准，强依赖经验或业务约束。

10、综上可知，现有方法在面向数据非均衡场景的机械密封故障诊断应用时仍存在一定不足，制约了其实际实施效能，亟需进一步改进和完善。另一方面，在流体激励与机械振动耦合作用以及外界干扰的共同影响下，旋转机械轴封部位的振动信噪比较低，使得基于振动信号的故障识别面临较大挑战，从而难以充分保证诊断结果的稳定性与可靠性。

技术实现思路

1、针对现有技术的不足，本发明提出一种面向数据非均衡场景的机械密封故障诊断方法及装置，具体技术方案如下：

2、一种面向数据非均衡场景的机械密封故障诊断方法，包括如下步骤：

3、s1：采集旋转机械轴封处的振动信号序列；

4、s2：对采集到的振动信号序列进行自适应降噪，得到降噪后的振动信号序列；

5、s3：对降噪后的振动信号序列执行变步长粗粒化操作，在每种粗粒化尺度的不同步长上，分别计算降噪后的振动信号序列的归一化排列熵，从而将高维振动信号序列压缩；

6、s4：使用改进安全水平合成少数类过采样技术结合编辑最近邻方法对机械密封各类别故障样本数量分别进行自适应扩增，使其与机械密封正常样本数量持平；

7、s5：基于扩增后的训练集样本特征向量及其对应故障类型标签，训练kan分类器，得到用于机械密封故障诊断的多分类模型；

8、s6：将待诊断的数据样本经自适应降噪后提取的特征向量输入完成训练的多分类模型，诊断输出机械密封的具体故障类别。

9、一种面向数据非均衡场景的机械密封故障诊断装置，包括一个或多个处理器，用于实现面向数据非均衡场景的机械密封故障诊断方法。

10、一种电子设备，包括：

11、一个或多个处理器；

12、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述电子设备执行时，使得所述电子设备实现面向数据非均衡场景的机械密封故障诊断方法。

13、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现面向数据非均衡场景的机械密封故障诊断方法。

14、本发明的有益效果如下：

15、本发明针对“正常样本占优、故障样本稀缺且类别间不均衡”的工业数据特征，通过自适应降噪/多尺度特征提取与非均衡数据增强策略协同提升模型对少数类的识别能力：

16、其一，在信号分析与特征提取阶段，通过自适应降噪与变步长多尺度排列熵特征提取，充分刻画机械密封劣化过程中强非平稳、低信噪比与强耦合的动态特征差异，增强不同少数类故障样本之间的可分性；

17、其二，结合面向非均衡学习的数据增强策略（自适应过采样与噪声清洗），有效提升少数类召回率与宏平均指标表现，避免仅依赖总体准确率造成的“故障识别差、漏检风险高”问题；

18、其三，进一步利用kan模型在小样本条件下的函数逼近与表达优势，提升模型的泛化能力与稳定性，从而更适用于真实工业场景下的动设备机械密封在线故障诊断。

19、本发明能够在信号低信噪比与训练集样本不均衡条件下提高机械密封的故障识别能力与诊断可靠性，为机泵系统的安全稳定高效运行提供关键技术支撑。

1.一种面向数据非均衡场景的机械密封故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，所述s4包括如下子步骤：

3.根据权利要求2所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，合成样本s的生成规则具体为：

4.根据权利要求1所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，所述s3包括如下子步骤：

5.根据权利要求1所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，所述s2包括如下子步骤：

6.根据权利要求1所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，所述s4中，各类别的故障样本数量不得低于正常样本数量的5%。

7.根据权利要求1所述的面向数据非均衡场景的机械密封故障诊断方法，其特征在于，所述s1中，采集旋转机械轴封处的振动信号序列时所使用的振动加速度传感器频率响应参数应不小于1 khz，对振动信号序列的采样频率应不小于2.56 khz，采样时长应不小于0.35s。

8.一种面向数据非均衡场景的机械密封故障诊断装置，其特征在于，包括一个或多个处理器，用于实现权利要求1~7中任一项所述的面向数据非均衡场景的机械密封故障诊断方法。

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1~7中任一项所述的面向数据非均衡场景的机械密封故障诊断方法。