基于属性解耦与公共空间的旋转机械零样本故障诊断方法

本发明涉及旋转机械，具体地说是一种基于属性解耦与公共空间双向映射的旋转机械零样本故障诊断方法。

背景技术：

1、旋转机械设备广泛应用于电力、冶金、航空航天及智能制造等工业领域，是工业系统中的关键动力装备，其运行状态直接关系到生产系统的安全性、稳定性和运行效率。旋转机械在长期运行过程中容易受到负载变化、转速波动、加工条件变化及机械磨损等因素影响而发生故障。由于旋转机械采集到的振动信号通常是故障激励与工况条件共同作用的结果，同一故障类型在不同负载、转速或加工条件下，其时域波形、频谱结构和时频特征均可能存在明显差异，使得故障特征与工况特征呈现复杂的非线性耦合关系。因此，在目标工况故障样本不足甚至完全缺失的情况下，实现旋转机械跨工况故障诊断，是当前智能运维领域亟需解决的重要技术问题

2、旋转机械故障诊断已被国内外众多学者广泛研究，并提出了多种方法。在传统故障诊断方法中，通常对采集到的振动信号采用小波变换、经验模态分解、傅里叶变换等信号处理技术，以提取故障信号中的时域、频域或时频域特征，但该类方法对人工经验依赖较强，且在复杂工况变化下难以直接获得稳定可靠的故障诊断结果。近年来，深度学习方法在旋转机械故障诊断领域取得了较大进展，其中卷积神经网络能够自动提取振动信号或时频图像中的深层特征，并实现故障分类识别。然而，现有深度学习故障诊断方法大多依赖训练数据与测试数据服从相同或相近分布，在跨工况场景下容易受到数据分布偏移影响。同时，在实际工程中，由于设备保护机制、故障实验成本高及破坏性试验难以开展，目标工况下的故障样本往往极为稀缺甚至完全缺失，导致传统迁移学习、域适应及普通深度学习模型难以满足零样本跨工况诊断需求。现有零样本故障诊断方法虽然能够通过语义属性建立可见工况与不可见工况之间的知识联系，但仍存在故障语义特征与工况干扰特征耦合严重、单向跨模态映射容易造成信息损失、普通多层感知机难以刻画复杂非线性映射关系等不足，从而限制了模型在未知工况下的泛化能力和诊断精度。

3、本发明提出一种基于属性解耦与公共空间双向映射的旋转机械跨工况零样本故障诊断方法，用于解决目标工况故障样本缺失条件下的故障识别问题。构建包含故障类别描述和工况描述的结构化语义标签体系，利用监督式属性解耦网络对故障类别属性和工况属性进行显式分离，以降低工况干扰对故障语义表征的影响；设计视觉特征与语义属性的公共空间双向映射网络，将视觉特征和故障语义属性同时映射至统一公共嵌入空间，通过跨模态特征对齐与距离度量实现故障推理，避免传统单向映射造成的故障信息流失与语义偏差放大；在映射网络中引入kan，增强模型对复杂非线性耦合关系的建模能力，提高异构特征之间的映射精度。通过cwru轴承数据集及自建滚刀故障数据集验证模型在不同旋转机械对象和不同工况条件下的泛化性能。实验结果表明，本发明能够在目标工况故障样本不可用的情况下实现准确诊断，相较于现有方法具有更高的跨工况诊断精度、鲁棒性和工程适用性。

4、经过检索，申请公开号cn115855502b，一种基于属性编码的零样本旋转机械故障诊断方法，包括以下步骤：步骤一：确定故障情境的属性描述；步骤二：建立故障情境的属性编码；步骤三：获取旋转机械的多源数据；步骤四：形成旋转机械的多域特征集；步骤五：构建属性编码的特征子集；步骤六：分类器训练；步骤七：零样本故障诊断，实现对未知类别样本的故障诊断。

5、在上述专利中，尽管利用属性编码与多域特征实现旋转机械故障的零样本诊断，但存在属性独热编码难以刻画语义关联与连续变化、各属性独立分类缺乏共享联合建模、基于svm-rfe的线性特征选择难以适应非线性振动特征、后验欧氏距离匹配缺乏统一的语义-视觉公共嵌入空间，以及未显式建模工况因素导致跨工况特征偏移等问题。因此，在本专利中，构建监督式属性解耦网络，通过共享骨干与多属性分支实现故障语义特征与工况干扰特征的显式分离；引入融合kan的公共空间双向映射机制，将视觉特征与语义属性同步映射至统一公共嵌入空间，实现跨模态一致性对齐；同时采用基于类内聚集与类间分离约束的解耦正则化损失函数，提高特征判别性与结构可分性；并以kan的可学习非线性函数替代传统多层感知机，增强对复杂振动信号非线性耦合特征的表达能力，从而在跨工况与零样本条件下有效提升旋转机械故障诊断的精度和泛化能力。

技术实现思路

1、本发明旨在解决以上现有技术的问题。提出了一种基于属性解耦与公共空间的旋转机械零样本故障诊断方法。本发明的技术方案如下：

2、一种基于属性解耦与公共空间的旋转机械零样本故障诊断方法，其包括以下步骤：

3、步骤s1：采集旋转机械在不同故障状态和不同工况条件下的原始振动信号，对所述原始振动信号进行预处理，得到模型输入数据；

4、步骤s2：构建结构化语义标签体系，所述结构化语义标签体系至少包括故障类别描述维度和工况描述维度，其中，故障类别描述用于表征旋转机械的健康状态或故障类型，工况描述用于表征振动信号采集时对应的运行工况；

5、步骤s3：构建监督式属性解耦网络，将二维时频图像输入至共享特征提取网络以提取通用特征，并通过多个相互独立的属性解耦分支从所述通用特征中分别提取对应的属性特征，实现故障语义特征与工况特征的显式解耦；并基于解耦得到的故障类别属性特征构建各故障类别的语义属性原型；

6、步骤s4：构建视觉特征提取网络，从所述二维时频图像中提取视觉特征；

7、步骤s5：构建融合kan的公共空间双向映射网络，分别将所述语义属性原型和所述视觉特征映射至统一的公共嵌入空间，并在所述公共嵌入空间中对视觉特征与语义属性进行对齐；

8、步骤s6：未知工况下的待诊断振动信号经预处理和视觉特征提取后映射至所述公共嵌入空间，计算其视觉映射向量与各故障类别语义映射向量之间的距离，并依据最近邻准则确定待诊断样本的故障类别。

9、进一步的，所述步骤s1中，对原始振动信号进行预处理并转换为二维时频图像，具体包括：

10、步骤s1.1：对采集到的原始振动信号进行分段处理，获得多个一维振动信号样本；

11、步骤s1.2：采用连续小波变换对所述一维振动信号样本进行时频变换，得到对应的二维时频图像；

12、步骤s1.3：按照跨工况零样本故障诊断任务的网络训练需要，将所述二维时频图像按照工况域划分为源工况数据集和目标工况数据集；其中，源工况数据集中的样本用于构建训练集和验证集，来自可见工况下的数据，训练集用于模型训练，验证集用于模型参数选择与训练过程调优；目标工况数据集中的样本作为测试集，测试集与训练集、验证集属于不同数据分布，来自不可见的新工况，用于验证所述模型在目标工况故障样本不可用于训练条件下的跨工况零样本故障诊断性能。

13、进一步的，所述步骤s2中，所述结构化语义标签体系通过故障类别标签与工况标签的联合编码构建，其中，故障类别标签用于区分正常状态、内圈故障、外圈故障、滚动体故障中的至少一种，工况标签用于区分不同负载、转速中的至少一种。

14、进一步的，所述步骤s3中，监督式属性解耦网络包括共享骨干网络和多个属性解耦分支，其中：

15、所述共享骨干网络由卷积层和残差块堆叠构成，用于从二维时频图中提取包含全局信息的通用特征，其表达式为：

16、

17、式中，x表示输入的二维时频图，表示共享骨干网络，表示共享骨干网络输出的通用特征；针对k维预定义语义属性，构建k个相互独立的属性解耦分支，每个属性解耦分支由卷积层和kan级联构成，用于从中提取对应的属性特征，其表达式为：

18、

19、式中，表示第k个属性解耦分支得到的属性特征，表示第k个属性解耦分支；每个属性解耦分支的末端连接独立分类器，用于对属性特征进行预测监督，其表达式为：

20、

21、式中，表示第k个属性的预测结果，表示第k个属性对应的分类器；

22、所述监督式属性解耦网络的总损失函数由分类损失和解耦正则化损失构成，其表达式为：

23、

24、式中，表示监督式属性解耦网络的总损失函数，表示分类损失，表示解耦正则化损失，表示平衡超参数；所述分类损失采用交叉熵损失函数，对k个属性分支的预测误差进行求和，其表达式为：

25、

26、式中，表示第k个属性下类别c的真实标签，表示第k个属性下类别c的预测概率，表示第k个属性的类别总数。所述解耦正则化损失包括类内聚集损失和类间分离损失，其表达式为：

27、

28、式中，表示第k个属性的类内聚集损失，表示第k个属性的类间分离损失。

29、进一步的，所述类内聚集损失用于最小化同属性样本对之间的距离，其表达式为：

30、

31、所述类间分离损失用于约束非同属性样本对之间的距离不小于预设距离阈值margin，其表达式为：

32、

33、式中，和分别表示第k个属性中标签相同与标签不同的有效样本对数量，表示样本i和样本j在第k个属性特征空间中的欧氏距离平方，为指示函数，其中：

34、。

35、进一步的，所述步骤s4中，基于解耦得到的故障类别属性特征构建各故障类别的语义属性原型，具体为：

36、针对每一故障类别c，对属于该故障类别的故障类别属性特征向量进行平均聚合，得到该故障类别对应的语义属性原型向量，其表达式为：

37、

38、式中，表示故障类别c的语义属性原型向量，表示故障类别c的第i个属性特征向量，表示故障类别c对应的属性特征向量数量；

39、所述视觉特征提取网络采用残差网络作为主干网络，通过残差跳跃连接结构从所述二维时频图像中提取深度视觉特征向量，其表达式为：

40、

41、式中，表示视觉特征提取网络，x表示输入样本，表示深度视觉特征向量，表示视觉特征向量维度。

42、进一步的，所述步骤s5中，kolmogorov-arnold networks采用可学习的激活函数作为非线性变换机制，对于输入特征，其节点输出表示为：

43、

44、其中，为可学习的激活函数，n表示输入特征维度，且所述可学习的激活函数表示为：

45、

46、

47、式中，为预定义基函数，为可训练权重参数，为可学习的b样条插值函数，为b样条基函数，为可学习系数；

48、所述kolmogorov-arnold networks的层结构表示为输入维度与输出维度之间的函数矩阵：

49、

50、式中，表示连接第个输入神经元与第个输出神经元的可学习激活函数。

51、进一步的，所述步骤s5中，所述公共空间双向映射网络包括属性映射网络和视觉特征映射网络，其中：

52、所述属性映射网络用于将语义属性原型或语义属性向量a映射至公共嵌入空间，得到语义映射向量s，其表达式为：

53、

54、并将语义映射向量s输入分类器进行预测监督，其表达式为：

55、

56、式中，表示属性映射网络，s表示公共空间中的语义映射向量，m表示公共嵌入空间维度，表示属性映射网络对应的预测结果；

57、所述视觉特征映射网络用于将视觉特征映射至同一公共嵌入空间，得到视觉映射向量，其表达式为：

58、

59、式中，表示视觉特征映射网络，v表示公共空间中的视觉映射向量；

60、在训练过程中，通过欧氏距离正则化约束使同一故障类别对应的语义映射向量s与视觉映射向量v在公共嵌入空间中相互靠近，并通过分类监督保持公共嵌入空间中特征的类别判别性，从而实现视觉特征与语义属性的跨模态对齐。

61、进一步的，所述步骤s6中，依据最近邻准则确定待诊断样本的故障类别，具体包括以下步骤：

62、步骤s6.1：将未知工况下的待诊断振动信号转换为二维时频图像；

63、步骤s6.2：通过视觉特征提取网络提取所述二维时频图像的视觉特征，并通过视觉特征映射网络将所述视觉特征映射至公共嵌入空间，得到待诊断样本的视觉映射向量；

64、步骤s6.3：计算所述视觉映射向量与各故障类别语义映射原型在公共嵌入空间中的欧氏距离；

65、步骤s6.4：将距离最近的语义映射原型所对应的故障类别确定为所述待诊断样本的故障诊断结果。

66、一种电子设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述的基于属性解耦与公共空间的旋转机械跨工况零样本故障诊断方法。

67、本发明的优点及有益效果如下：

68、1）本发明提出监督式属性解耦表征框架，将故障类别描述与工况描述作为结构化语义监督信号，通过共享特征提取网络与多分支属性解耦网络实现故障语义特征和工况干扰特征的显式分离。相比仅依赖单一故障类别标签的传统诊断方法，本发明能够有效剥离振动信号中由负载、转速、进给量等工况变化引起的干扰成分，使模型获得具有强判别性和跨域稳健性的故障语义表征，从而提升未知工况下的诊断可靠性。

69、2）本发明构建公共空间双向映射对齐网络，将视觉特征与语义属性分别映射至统一公共嵌入空间中进行联合优化。相比传统由视觉特征向语义空间投影或由语义属性向视觉空间投影的单向映射方式，本发明能够在独立公共空间内同时约束两类异构特征的分布，降低跨模态对齐难度，减少关键故障信息流失，缓解先验偏差放大及枢纽点问题，提高零样本故障推理的准确性。

70、3）本发明在属性解耦分支以及公共空间映射网络中引入kan，用其替代传统多层感知机结构。kan通过边上的可学习激活函数和b样条插值函数对输入特征进行自适应非线性变换，能够更精确地刻画故障特征、工况特征与语义属性之间的复杂非线性耦合关系，提升跨工况条件下模型的非线性表达能力和泛化能力。

71、4）本发明能够在目标工况故障样本完全不可用的情况下，仅依靠故障类别语义描述和源工况训练样本完成未知工况下的故障诊断，摆脱了传统监督学习和迁移学习方法对目标工况标注故障样本的依赖，降低了工业现场故障样本采集与标注成本，适用于滚动轴承、滚刀及其他旋转机械设备的跨工况零样本故障诊断场景。

72、5）本发明通过属性解耦、公共空间双向映射和kan非线性建模的协同作用，使模型在跨工况故障诊断任务中具备更好的抗噪性、鲁棒性和工程适用性，能够为工业设备健康监测、故障预警和智能运维提供可靠的技术支撑。

73、（1）监督式属性解耦机制实现故障语义与工况特征的显式分离

74、对应权利要求1中的步骤s3，以及权利要求4和权利要求5。

75、现有零样本故障诊断方法通常直接利用振动信号训练特征提取模型，故障特征与工况特征往往混杂在同一特征空间中。当设备运行负载、转速或环境条件发生变化时，容易造成特征分布偏移，导致模型泛化能力下降。现有零样本故障诊断方法缺少针对工况干扰因素的显式建模机制。

76、本发明构建共享骨干网络与多属性解耦分支组成的监督式属性解耦网络，通过分类损失与解耦正则化损失联合约束，使故障类别属性与工况属性在特征层面实现显式解耦。

77、相比现有技术仅依靠网络自动学习隐含特征的方式，本发明能够主动抑制工况干扰信息对故障语义表征的影响，提高未知工况下故障特征的稳定性和可迁移性。该技术方案并非简单增加分类器或损失函数，而是将属性分支结构与解耦正则化约束联合设计，使网络具备属性级别的特征分离能力，其技术思路区别于现有仅依赖端到端特征学习的常规方法。

78、（2）公共空间双向映射机制提高跨模态对齐能力

79、对应权利要求1中的步骤s5以及权利要求8。现有零样本故障诊断方法大多采用语义空间到视觉空间或视觉空间到语义空间的单向映射方式，容易产生信息损失和语义偏差。

80、本发明构建统一公共嵌入空间，并分别建立语义属性映射网络和视觉特征映射网络，将两类异构信息同步映射至同一特征空间进行对齐和匹配，实现视觉特征与故障语义知识的协同表达。该方案并非简单地增加一个映射层，而是通过双向映射与公共空间联合约束实现跨模态一致性优化，需要同时解决特征表示、空间构建和对齐机制等多个技术问题，因此具有明显区别于现有单向映射方法的技术特征和技术效果。

81、（3）kan与属性解耦及公共空间映射的协同融合增强非线性建模能力

82、对应权利要求：权利要求7。

83、旋转机械振动信号具有明显的非线性、非平稳和多因素耦合特征，传统多层感知机采用固定激活函数，其表达能力有限，难以准确描述故障特征与语义属性之间复杂的映射关系。

84、本发明在属性解耦分支和公共空间映射网络中引入kan，利用可学习激活函数代替固定激活函数，使网络能够自适应构建更复杂的非线性映射关系，提高故障特征表达能力及跨模态映射精度。有机结合并形成统一优化框架，具有明显的协同增效作用，而非简单的功能叠加。

85、（4）构建面向跨工况零样本诊断的完整协同框架

86、对应权利要求：权利要求1整体流程及步骤s6。

87、本发明将结构化语义标签体系、监督式属性解耦网络、语义属性原型构建、公共空间双向映射网络以及最近邻故障推理机制有机结合，形成完整的跨工况零样本故障诊断流程。在目标工况故障样本完全不可获得的情况下，仍能够利用已学习的故障语义知识实现未知工况故障识别，有效降低实际工业场景中故障数据获取困难对模型训练的限制。

88、现有技术通常依赖目标工况样本进行迁移学习或域适应训练，本发明通过“属性解耦—语义原型构建—公共空间对齐—最近邻推理”的协同技术路线，实现目标工况无故障样本条件下的故障识别。