基于时频双域跨模态融合的旋转机械故障预测方法及系统

本发明涉及旋转机械故障预测，具体为一种基于时频双域跨模态融合的旋转机械故障预测方法及系统。

背景技术：

1、旋转机械在风力发电机组等长期连续运行设备中通常由振动、温度、电功率、转速、环境及运行状态等监测信号反映其工作状态。现有故障预测通常对监测数据按时间窗口进行整理，从连续序列中提取时域特征、频域特征或局部片段特征，再利用序列模型或分类模型形成逐窗口故障概率或故障判定结果，以便在故障事件发生前识别设备状态变化并提供维护依据。

2、当不同物理监测信号的变化速率和故障响应形式不一致、故障样本稀少且设备工况随安装位置和环境条件发生变化时，现有方式往往依赖统一特征空间、池化后的模态汇聚或固定判定阈值。该处理机制难以同时保留同一局部时间范围内的时序依赖和频谱结构，也难以利用其他模态的当前状态调节各模态贡献，细粒度关联在汇聚过程中易被削弱；由此形成的故障概率还会受设备间分布偏移及阵风、变桨调节或电网波动等瞬态工况影响，产生孤立高概率窗口并增加误报。因此，需要一种基于时频双域跨模态融合的旋转机械故障预测方法及系统以解决上述细粒度时频关联和跨模态条件依赖易被削弱、设备差异及瞬态扰动易造成误报问题。

技术实现思路

1、基于上述现有技术问题，本发明提供如下技术方案：

2、第一方面，本发明提供了一种基于时频双域跨模态融合的旋转机械故障预测方法，包括：

3、获取旋转机械的多模态监测序列，所述多模态监测序列包括共同时间基准下的至少两种物理监测模态的监测序列；

4、对所述多模态监测序列中每种物理监测模态的监测序列执行时间片划分，得到部分重叠的时间片，对每个所述时间片分别进行时间域编码和频率域幅值谱编码，并融合两种编码结果，得到由各物理监测模态的时频时间片序列组成的多模态时频表示；

5、在池化前，针对所述多模态时频表示中的每个时频时间片序列，以所述时频时间片序列为查询、以所述多模态时频表示中的其他时频时间片序列为键和值进行交叉注意力计算，得到增强时间片序列，再对所述增强时间片序列进行池化，得到由各池化结果组成的多模态向量表示；

6、对所述多模态向量表示执行联合上下文编码处理，得到包含各物理监测模态的上下文向量的联合上下文表示；

7、对所述联合上下文表示中的每个所述上下文向量执行模态评分和归一化处理，得到模态评分结果，根据所述模态评分结果，对所述联合上下文表示进行加权汇聚，得到融合表示；

8、根据所述融合表示输出旋转机械故障预测结果。

9、可选的，所述获取旋转机械的多模态监测序列，具体包括：

10、对同一风力发电机组的scada数据按十分钟窗口聚合；

11、将聚合结果划分为振动模态、温度模态、电功率模态、转速与环境模态以及运行状态模态中的至少两种，形成所述多模态监测序列。

12、可选的，所述对所述多模态监测序列中每种物理监测模态的监测序列执行时间片划分，具体包括：

13、按照各物理监测模态共用的时间片长度、步长和起始位置沿时间轴划分，其中所述步长小于所述时间片长度。

14、可选的，所述对每个所述时间片分别进行时间域编码和频率域幅值谱编码，并融合两种编码结果，具体包括：

15、对所述时间片进行线性投影，并对投影结果叠加位置编码，将叠加位置编码后的投影结果输入transformer编码器，得到时间域表示；

16、沿所述时间片的时间轴进行实数快速傅里叶变换，保留幅值谱并通过两层多层感知机投影，得到频率域表示；

17、将同一时间片的所述时间域表示与所述频率域表示拼接并线性投影，得到所述多模态时频表示中的时频时间片序列。

18、可选的，所述以所述多模态时频表示中的其他时频时间片序列为键和值进行交叉注意力计算，具体包括：

19、沿时间片维度拼接其他时频时间片序列，将拼接结果作为键和值；

20、由多个注意力头对作为查询的时频时间片序列和作为键和值的所述拼接结果进行注意力计算，得到注意力结果，将所述注意力结果与作为查询的时频时间片序列相加并进行层归一化，得到所述增强时间片序列。

21、可选的，所述对所述多模态向量表示执行联合上下文编码处理，具体包括：

22、将所述多模态向量表示中的各模态向量分别与同一物理监测模态的可学习的模态身份嵌入结合；

23、将各结合结果输入单层transformer，以形成所述联合上下文表示。

24、可选的，所述对所述联合上下文表示中的每个所述上下文向量执行模态评分和归一化处理，具体包括：

25、通过评分网络将每个所述上下文向量映射为标量分数；

26、对各所述标量分数进行softmax归一化，得到所述模态评分结果。

27、可选的，所述旋转机械故障预测结果包括逐窗口故障概率，所述逐窗口故障概率由多层感知机处理所述融合表示并经sigmoid函数得到。

28、可选的，所述根据所述融合表示输出旋转机械故障预测结果，具体包括：

29、从对应旋转机械的验证样本的候选阈值中选择使f1值达到最大值的候选阈值，得到设备阈值；

30、将连续k个输入窗口的所述逐窗口故障概率分别与所述设备阈值比较，仅在所述连续k个输入窗口的逐窗口故障概率均大于所述设备阈值时生成包含故障预警信息的旋转机械故障预测结果，并输出所述旋转机械故障预测结果，其中k为大于1的整数。

31、第二方面，本发明提供了一种基于时频双域跨模态融合的旋转机械故障预测系统，用于实现上述基于时频双域跨模态融合的旋转机械故障预测方法，包括：

32、监测序列获取模块，用于获取旋转机械的多模态监测序列，所述多模态监测序列包括共同时间基准下的至少两种物理监测模态的监测序列；

33、时频时间片编码模块，用于对所述多模态监测序列中每种物理监测模态的监测序列执行时间片划分，得到部分重叠的时间片，对每个所述时间片分别进行时间域编码和频率域幅值谱编码，并融合两种编码结果，得到由各物理监测模态的时频时间片序列组成的多模态时频表示；

34、时间片级跨模态交互模块，用于在池化前，针对所述多模态时频表示中的每个时频时间片序列，以所述时频时间片序列为查询、以所述多模态时频表示中的其他时频时间片序列为键和值进行交叉注意力计算，得到增强时间片序列，再对所述增强时间片序列进行池化，得到由各池化结果组成的多模态向量表示；

35、联合上下文编码模块，用于对所述多模态向量表示执行联合上下文编码处理，得到包含各物理监测模态的上下文向量的联合上下文表示；

36、模态加权融合模块，用于对所述联合上下文表示中的每个所述上下文向量执行模态评分和归一化处理，得到模态评分结果，根据所述模态评分结果，对所述联合上下文表示进行加权汇聚，得到融合表示；

37、故障预测模块，用于根据所述融合表示输出旋转机械故障预测结果。

38、有益效果

39、本发明提供的技术方案存在以下有益效果：

40、1、通过对共同时间基准下的多模态监测序列划分部分重叠的时间片，并对同一时间片分别形成时间域表示和频率域幅值谱表示后进行融合，能够在保持时间片对应关系的同时兼顾故障演化的时间依赖和周期性频谱结构，有利于表征旋转机械的微弱故障先兆。

41、2、通过在池化前以当前物理监测模态的时频时间片序列为查询并以其他物理监测模态的时频时间片序列为键和值执行交叉注意力，再利用联合上下文表示对各物理监测模态进行评分和加权汇聚，能够减少提前池化造成的细粒度时间关联损失，并使各模态贡献随其他模态的上下文状态进行调整。

42、3、通过针对对应旋转机械的验证样本选择使f1值达到最大的设备阈值，并仅在连续k个输入窗口的逐窗口故障概率均超过该设备阈值时生成故障预警信息，能够适应不同设备的概率分布差异，过滤瞬态工况引起的孤立高概率窗口，从而降低误报风险。