一种基于物理启发式的轴承故障诊断方法

本技术涉及轴承故障诊断领域，特别是涉及一种基于物理启发式的轴承故障诊断方法。

背景技术：

1、电机是现代工业生产的核心动力源，其运行稳定性直接关系到整机系统的精度与寿命。滚动轴承作为电机传动系统的关键支撑部件，长期在高速、重载及多变工况下运行，极易产生磨损、疲劳剥落或塑性变形等损伤。据统计，约30%的旋转机械故障由轴承失效引起。此类故障早期特征微弱，难以被及时察觉，若缺乏有效预警，局部缺陷会迅速扩展，导致非计划停机、生产中断和严重经济损失。因此，开发高效、准确的故障诊断技术，对实现电机设备预测性维护和保障工业系统安全具有重要意义。

2、随着深度学习技术的发展，基于卷积神经网络的轴承故障诊断方法得到广泛应用。此类方法通常直接以原始振动信号为输入，利用卷积层自动提取故障特征。但在跨工况诊断场景下，由于训练工况与测试工况的数据分布存在差异，且测试工况通常缺少故障标签，现有模型在面对复杂工业现场信号时，泛化鲁棒性明显下降，诊断精度较低。

3、已有研究提出了基于多尺度特征解耦与重聚的网络架构。该架构利用一维卷积神经网络提取原始振动信号中的瞬态冲击与周期特性，通过多级通道分割构建具有不同感受野的并行特征提取路径：浅层分支保留底层时域细节，深层分支提取高阶故障语义，在一定程度上缓解了单一感受野对非平稳振动信号表征的局限。然而，此类架构仍存在以下不足：

4、第一，前端解耦环节采用的卷积层缺乏物理约束，容易受特定工况下频率漂移的影响，导致所提取特征缺乏物理一致性；

5、第二，后端重聚环节采用静态拼接方式，各分支特征之间缺乏信息交互，使不同尺度的特征难以有效协同，判别一致性不足；

6、第三，现有模型为追求诊断精度，参数规模和计算开销较大，难以满足工业边缘计算资源受限条件下的实时监测需求。

7、因此，亟需一种能够在保持轻量化的同时，通过引入物理约束和增强跨尺度信息交互来提升跨工况泛化性能的轴承故障诊断方法，以解决现有技术在复杂数据分布和跨工况场景下的局限性。

技术实现思路

1、本技术的目的是提供一种基于物理启发式的轴承故障诊断方法，可解决现有技术中跨工况泛化能力差及边缘算力受限的问题，在保持极高诊断精度的同时大幅降低参数开销，满足工业边缘端实时监测的需求。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种基于物理启发式的轴承故障诊断方法，包括：

4、获取待诊断轴承的原始振动信号；

5、将所述原始振动信号输入预先训练好的轴承故障诊断模型，所述轴承故障诊断模型对所述原始振动信号的处理包括：

6、对所述原始振动信号进行自适应物理启发式频谱解耦，包括：利用n个sinc带通滤波器对所述原始振动信号滤波，得到n路频带信号；n为大于1的整数；每个sinc带通滤波器的低截止频率和高截止频率为可学习参数，且高截止频率大于低截止频率且不超过所述原始振动信号采样率的一半；

7、对所述n路频带信号进行多尺度非对称特征提取，包括：将所述n路频带信号经第一卷积操作扩展为m通道特征图，m为大于n的整数；沿通道维度将所述m通道特征图按预设比例划分为第一特征和第一剩余通道组；对所述第一剩余通道组进行第二卷积操作，得到第二中间特征；沿通道维度将所述第二中间特征划分为第二特征和第二剩余通道组；对所述第二剩余通道组进行第三卷积操作，得到第三特征；

8、对所述第一特征、所述第二特征和所述第三特征进行交织式特征重聚，包括：计算所述n路频带信号中每一路频带信号的峭度值，并取所有峭度值中的最大值；计算所述第一特征、所述第二特征、所述第三特征各自的空间平均峭度；根据所述最大值和所述空间平均峭度，分别计算所述第一特征、所述第二特征、所述第三特征各自的编织权重；基于所述编织权重分别对所述第一特征、所述第二特征、所述第三特征进行通道级重采样；将重采样后的第一特征、重采样后的第二特征和重采样后的第三特征拼接，对拼接后的特征进行通道置换，得到重聚特征；

9、将所述重聚特征输入分类网络，输出轴承故障诊断结果。

10、可选地，所述轴承故障诊断模型的训练过程包括：

11、构建包含多种轴承故障类型标签的振动信号样本集；

12、以所述样本集对所述轴承故障诊断模型进行训练，优化所述sinc带通滤波器的低截止频率和高截止频率、所述第一卷积操作、所述第二卷积操作和所述第三卷积操作的参数，以及所述分类网络的参数。

13、可选地，所述轴承故障诊断模型在训练过程中的损失函数为：

14、；

15、其中，为总损失，为分类交叉熵损失，为物理一致性损失，为预设的平衡系数；

16、所述物理一致性损失为：

17、；

18、其中，为预设峭度锚点阈值，为对所述轴承故障诊断模型在一次参数更新过程中所使用的所有训练样本的第路频带信号的峭度值求算术平均得到的平均峤度值，为频带信号的索引，为频带信号的总路数。

19、可选地，每个sinc带通滤波器的卷积核按照以下步骤生成：

20、根据所述sinc带通滤波器的低截止频率和高截止频率，分别构建第一低通滤波器响应和第二低通滤波器响应，所述第一低通滤波器响应和所述第二低通滤波器响应均为sinc函数形式；

21、将所述第二低通滤波器响应与所述第一低通滤波器响应相减，得到理想带通滤波器响应；

22、将所述理想带通滤波器响应与汉明窗进行逐元素相乘，得到所述sinc带通滤波器的卷积核。

23、可选地，所述低截止频率和所述高截止频率在每次前向传播时按照以下公式确定：

24、所述低截止频率为：

25、；

26、其中，为预设的最小低截止频率，为可学习低频参数；

27、所述高截止频率为：

28、；

29、其中，为可学习带宽参数，为预设的最小带宽偏移量，为所述原始振动信号的采样率，为钳位运算。

30、可选地，采用以下公式计算第路频带信号的峭度值：

31、；

32、其中，为第路频带信号的峭度值，为第路频带信号的数据序列，为的均值，为的标准差，表示数学期望。

33、可选地，采用以下公式计算所述第一特征、所述第二特征、所述第三特征各自的空间平均峭度：

34、；

35、其中，为特征索引，取值为1、2、3，分别对应所述第一特征、所述第二特征和所述第三特征；为第个特征的空间平均峭度，为第个特征的通道总数，为通道索引，为第个特征中第个通道的特征图的所有空间位置元素构成的数据序列，为所述数据序列的峭度值。

36、可选地，采用以下公式计算第个特征对应的编织权重：

37、；

38、；

39、其中，为所有峭度值中的最大值，为第个特征的空间平均峭度，为第个特征对应的得分，为第个特征对应的编织权重，为预设的温度系数，为遍历所述第一特征、所述第二特征和所述第三特征的特征索引。

40、可选地，基于所述编织权重分别对所述第一特征、所述第二特征、所述第三特征进行通道级重采样，具体包括：

41、确定所述第一特征、所述第二特征和所述第三特征各自包含的通道数量，并将三者通道数量之和作为总通道数量；

42、针对所述第一特征、所述第二特征和所述第三特征中的每一个特征，将所述特征对应的编织权重与所述总通道数量相乘后四舍五入取整，得到所述特征对应的目标通道数量，并执行以下操作：

43、若所述目标通道数量大于所述特征自身包含的通道数量，则保留所述特征的全部通道，并计算需要补充的通道数量，所述需要补充的通道数量等于所述目标通道数量减去所述特征自身包含的通道数量；以所述特征自身包含的通道数量除以所述需要补充的通道数量所得的商作为第一步长，从所述特征已有的通道中按所述第一步长进行跨步采样，得到数量等于所述需要补充的通道数量的补充通道；将所述补充通道与保留的全部通道合并，得到重采样后的所述特征；其中，所述跨步采样为在通道维度上按对应步长等间隔采样；

44、若所述目标通道数量小于所述特征自身包含的通道数量，则以所述特征自身包含的通道数量除以所述目标通道数量所得的商作为第二步长，从所述特征已有的通道中按所述第二步长进行跨步采样，得到数量等于所述目标通道数量的通道，作为重采样后的所述特征；

45、若所述目标通道数量等于所述特征自身包含的通道数量，则保持所述特征不变，作为重采样后的所述特征。

46、可选地，将重采样后的第一特征、重采样后的第二特征和重采样后的第三特征拼接，对拼接后的特征进行通道置换，得到重聚特征，具体包括：

47、将重采样后的第一特征、重采样后的第二特征和重采样后的第三特征沿通道维度按顺序拼接，得到拼接后的特征；

48、根据所述重采样后的第一特征、所述重采样后的第二特征和所述重采样后的第三特征各自对应的目标通道数量的比例关系，确定分组数量；其中，所述比例关系为最简整数比，所述分组数量等于所述最简整数比中各数值之和；

49、根据所述拼接后的特征的总通道数量与所述分组数量，确定每个通道组包含的通道数量；按照所述每个通道组包含的通道数量，将所述拼接后的特征沿通道维度顺序划分为所述分组数量个通道组，且每个所述通道组包含的通道数量相同；

50、按照从第一个通道组到最后一个通道组的顺序循环选取，每次从每个通道组中选取一个通道，将选取的通道依次排列至新的通道序列中，并重复该选取过程直至所有通道组中的通道被选取完毕，得到交错排列的通道序列；

51、将所述交错排列的通道序列作为重聚特征。

52、根据本技术提供的具体实施例，本技术具有以下技术效果：

53、本技术提供了一种基于物理启发式的轴承故障诊断方法，通过利用具有可学习参数且受采样率约束的n个sinc带通滤波器对原始振动信号进行自适应物理启发式频谱解耦，从而捕获具备物理一致性的工况不变特征，减少频率漂移带来的干扰；经第一卷积操作扩展为m通道特征图，并按预设比例划分为第一特征、第二特征和第三特征，实现多尺度非对称特征提取；通过计算频带信号峭度值的最大值及三个特征各自的空间平均峭度，得到编织权重，进而基于权重对三个特征进行通道级重采样，拼接后进行通道置换，使得不同尺度的特征在通道维度上实现交织融合，从而增强判别信息的一致性；此外，由于sinc滤波器仅依赖低截止频率和高截止频率两个参数，且通道置换不产生新增参数，从而在完成上述频谱解耦、多尺度特征提取与交织重聚的同时降低了计算开销，适于工业边缘端的实时监测。