一种信号时频分析引导的小样本故障智能识别方法

本发明涉及机器学习领域，具体为一种信号时频分析引导的小样本故障智能识别方法。

背景技术：

1、设备故障智能识别是保障工业装备安全稳定运行的关键技术，广泛应用于旋转机械、电机、泵组等关键设备的运行维护，随着传感采集与信号处理技术的进步，时频分析成为设备故障识别的重要发展方向，面向复杂工况的故障判别需求日益迫切；

2、现有技术采用基于深度学习的故障识别方案，采集设备运行中的振动与电流信号，经预处理后输入神经网络，由模型自动提取特征并学习特征与故障类别的映射关系，利用大量带标签样本训练模型，训练后的模型执行特征提取与分类判别并输出故障类别；

3、现有识别方法依赖大量带标注样本，故障样本获取困难且标注成本高，样本数量不足时识别性能明显下降，设备运行状态变化后，既有识别模型难以在保持既有判别结果稳定的前提下吸收新增信息，模型更新过程中易产生误判漏判。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种信号时频分析引导的小样本故障智能识别方法，以解决上述背景技术中提出的依赖大量带标注样本，故障样本获取困难且标注成本高，样本数量不足时识别性能明显下降，设备运行状态变化后，既有识别模型难以在保持既有判别结果稳定的前提下吸收新增信息，模型更新过程中易产生误判漏判的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种信号时频分析引导的小样本故障智能识别方法，包括：

5、s1，样本感知指纹生成，按分辨率阶梯对原始样本执行多档位时频变换，构成分辨率-时频表示序列，沿分辨率轴执行结构级差分，将跨档位不变的结构特征归入稳定核，将随档位变化的结构特征归入易变响应，构成时频分辨率响应指纹；

6、s2，类别原型注册，取全部注册样本的稳定核的交集作为稳定核基底，取全部注册样本的易变响应的并集作为易变响应谱，构成冻结原型，且注册即冻结并仅允许收缩；

7、s3，增量样本准入，对拟进入冻结原型更新的增量样本依次执行独立物理锚校验、冻结一致性校验与历史解释一致性校验，独立物理锚校验以被测设备物理机理为基准，全部通过后进入原型更新；

8、s4，原型收缩演化，以单一增量样本产生待确认候选，经双重确认与执行前反向校验后对冻结原型收缩并写回原型存储区；

9、s5，核心守护更新，由稳定核基底中最内层本质保护区构成不可收缩核心并形成冻结原型的保护下限，所述不可收缩核心的更新仅由设备物理配置变更触发且对增量数据封闭；

10、s6，故障判别输出，以待判样本的时频分辨率响应指纹与各故障类别的冻结原型匹配，匹配成立时判别为对应故障类别并输出判别依据。

11、优选的，其特征在于：所述s1包括：s11，分辨率阶梯由按时间分辨率由粗到细顺序排列的多个固定档位构成，档位数量与窗长参数在故障识别装置初始化时一次性确定，相邻档位的窗长依次递减且时间分辨率依次递增；s12，结构级差分按结构级差分判定规则核对相邻档位的时频表示，全部核对项均未超出偏差限值时判定为保持不变，任一核对项超出偏差限值时判定为变化；s13，故障识别装置不得执行最优分辨率选择操作且不得丢弃任一档位的时频表示。

12、优选的，其特征在于：所述s2包括：s21，稳定核基底由取全部注册样本的稳定核的交集得到，取交集操作为将未被全部注册样本共同确认的稳定核成分排除于稳定核基底之外，仅被全部注册样本共同确认的稳定结构被纳入稳定核基底；s22，易变响应谱由取全部注册样本的易变响应的并集得到，任一注册样本表现出的易变响应均被记录进易变响应谱；s23，冻结为稳定核基底作为整体不得扩张、不得平移、不得整体改写；s24，收缩由通过准入校验的增量样本触发，以剔除不再被后续样本共同确认的成分，所述故障识别装置不得依据任一单个注册样本扩大稳定核基底且不得将注册样本的易变响应并入稳定核基底。

13、优选的，其特征在于：所述s2还包括不可收缩核心的建立，分为候选提名、持续确认、物理背书与固化阶段：s25，候选提名阶段，从通过准入校验的注册样本的稳定核中提取在多个相互独立的注册样本间反复出现且一致的稳定核成分作为候选成分；s26，持续确认阶段，候选成分与增量样本的稳定核中的成分重合时获得持续确认标记，被多个相互独立的增量样本反复确认时确认度累积，未达到预设确认次数下限时不得进入固化；s27，物理背书阶段，候选成分须可追溯到与所述被测设备物理机理对应的物理来源，多次被独立物理锚校验标记为可疑的候选成分不得进入不可收缩核心；s28，固化阶段，通过独立物理锚校验的候选成分被固化进不可收缩核心并进入永久冻结状态。

14、优选的，其特征在于所述s3包括：s31，独立物理锚校验的基准不来自统计模型、冻结原型或训练数据分布，按被测设备物理机理核对增量样本的时频结构，全部满足时通过；任一条不满足时判定为物理不可信样本并拒识；s32，冻结一致性校验为将增量样本的时频分辨率响应指纹与冻结原型的解释范围比对，解释范围由稳定核基底覆盖的稳定结构位置与不可收缩核心覆盖的本质结构位置构成，稳定核全部落入且易变响应落入动态形态范围时判定通过，存在未落入时判定为改写既有结论的样本并拦截；s33，历史解释一致性校验为将增量样本与冻结原型构成拟议更新，在模拟层面执行拟议更新，以更新后的冻结原型解释冻结历史注册样本群，全部能被完整解释时放行，任一历史注册样本不能完整解释时否决拟议更新。

15、优选的，其特征在于：所述s4包括：s41，候选提名环节，以单一增量样本产生待确认候选，粒度限定为单一稳定核成分并禁止批量提名；s42，双重确认环节，多个相互独立且通过准入校验的增量样本的稳定核中均不再出现待确认候选，或待确认候选按独立物理锚校验判定为物理不可信时获得剔除确认，均不成立时判定为暂时未被观察到；s43，执行前反向校验环节，在模拟层面执行剔除并核对剔除后的冻结原型是否完整解释全部历史证据，不能完整解释时否决；s44，保护下限环节，剔除触及不可收缩核心时禁止剔除，剔除通过执行前反向校验且未触及不可收缩核心时执行收缩；s45，执行与审计环节，记录收缩事件并支持回滚，触发整体完整性复核。

16、优选的，其特征在于：所述s5包括：s51，冻结原型形成由外至内的结构，包括最外层易变响应谱、中间层稳定核基底与最内层不可收缩核心，最外层允许并入新的动态形态，中间层仅允许收缩且最内层永久冻结；s52，易变响应并入为对通过准入校验的增量样本执行的操作，增量样本的易变响应包含与易变响应谱中任一成员相似度低于预设阈值的新成分时并入易变响应谱，不低于预设阈值时不得重复并入且不得触及稳定核基底与不可收缩核心；s53，不可收缩核心的更新仅由设备物理配置变更触发且分为核心移除与核心新增，核心移除为移除不再符合独立物理锚校验的固化成分，核心新增为将多次通过独立物理锚校验并被冻结历史注册样本群确认的成分纳入，更新依次重新实例化独立物理锚校验并更新基准且触发整体一致性复核。

17、优选的，所述s6包括：s61，匹配为核对待判样本的稳定核是否完整覆盖冻结原型的稳定核基底，完整覆盖为稳定核成分与稳定核基底的重合度不低于预设阈值；s62，按各故障类别逐一执行匹配，匹配成立时判别为对应故障类别，同时匹配多个冻结原型时输出故障类别清单，未完整覆盖任一冻结原型的稳定核基底时输出无法判别结果；s63，复核流程为将待判样本转入复核队列并对污染嫌疑样本执行人工复核，确认为正常样本时重新进入增量样本准入，确认为污染时维持隔离状态并禁止其进入原型更新；s64，输出故障识别结论与判别依据，判别依据为待判样本的时频分辨率响应指纹与冻结原型的匹配记录，匹配记录包含稳定核成分清单与故障类别，每次故障识别结论均能回溯到匹配记录中的稳定核成分。

18、（三）有益效果

19、本发明提供了一种信号时频分析引导的小样本故障智能识别方法。具备以下有益效果：

20、1、本发明由原始样本经多档位时频变换与结构级差分生成时频分辨率响应指纹，类别冻结原型仅由少量注册样本的稳定核基底与易变响应谱构成，判别基准的建立不依赖大规模带标注样本的统计训练，故障样本数量不足时仍可完成类别原型注册并用于故障判别，降低了对故障样本获取与标注的依赖。

21、2、本发明拟进入原型更新的增量样本依次通过独立物理锚校验、冻结一致性校验与历史解释一致性校验，更新以单一稳定核成分为粒度经双重确认与执行前反向校验后执行，更新后的冻结原型须在模拟层面完整解释冻结历史注册样本群，保持了既有判别结论的稳定，不可收缩核心对增量数据封闭且仅由设备物理配置变更触发更新，判别结论可回溯至匹配记录中的稳定核成分，减少了误判漏判的产生。