一种面向非平稳信号的自适应故障诊断深度学习方法

本发明涉及故障诊断领域，具体为一种面向非平稳信号的自适应故障诊断深度学习方法。

背景技术：

1、旋转机械等工业设备在运行中产生的振动信号大多是非平稳的转速和负载持续变化，故障特征频率也随之漂移；对这类信号进行准确的故障诊断，是保障设备安全运行的关键。

2、近年来，基于深度学习的数据驱动方法在工业监测中得到广泛应用。这类方法通常对采集到的信号做时频变换以提取特征，再将特征向量输入支持向量机或神经网络等分类器，由分类器依据训练阶段学到的特征—类别映射关系输出判别结果，各时刻的判别结果独立生成后直接用于状态监测。

3、现有技术的不足：当信号分布发生变化，训练阶段建立的映射关系难以保持有效，判别结果的可靠性随之下降；更关键的是，现有方法缺乏对自身输出状态的感知能力，无法及时识别判别结果已经失效，也难以区分"设备真实状态发生了变化"和"模型判别能力下降了"这两种情形，导致非平稳工况下监测结果的可信度不足。

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，本发明提供了一种面向非平稳信号的自适应故障诊断深度学习方法，以解决上述背景技术中提出的缺乏对自身输出状态的感知与评估能力、无法及时识别判别失效、难以区分设备真实状态变化与判别能力下降，从而导致非平稳工况下监测结果可信度不足的问题。

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：一种面向非平稳信号的自适应故障诊断深度学习方法，包括：s1，将非平稳信号切分为分析窗口，输入深度学习模型执行故障状态判别获得离散类别标签构成主标签流；

5、s2，逐窗比较所述主标签流中相邻分析窗口的离散类别标签的类别符号生成迁移事件指示量构成迁移事件序列，统计连续预设数量的分析窗口内迁移事件指示量之和，为零时判定为完全静止时段并记录至完全静止时段记录表；

6、s3，依据健康深度学习模型输出必然随工况漂移发生类别迁移的物理必然性判据，将所述完全静止时段判定为异常静止时段写入异常静止标记；

7、s4，依据所述迁移事件序列将所述主标签流划分为漂移态、静止态与过渡态，漂移态下暂缓输出，证据累积，静止态下误判抑制判定，过渡态下正常输出；

8、s5，误判抑制判定确认异常静止时段后，对所述异常静止时段内各分析窗口执行判别依赖方向反置生成对照标签流，比较所述对照标签流与所述主标签流的结构关系区分模型整体失去响应与判别依赖方向失配，执行强制告警处理或自动换轨处理；

9、s6，自动换轨处理完成后，以首个离散类别标签为起点重建主标签流，置于重启期兜底状态累积离散类别标签，累积满连续预设数量的分析窗口后恢复输出。

10、优选的，s1包括：s11，将所述非平稳信号按固定长度的连续采样点切分为所述分析窗口，各所述分析窗口包含预设数量的连续采样点，相邻分析窗口的起始采样点之间间隔预设数量的采样点，相邻分析窗口之间存在重叠的采样点；s12，将各所述分析窗口内的连续采样点输入所述深度学习模型，所述深度学习模型的输出层输出所述分析窗口所属故障状态类别的离散类别标签，所述离散类别标签取自包含预设数量故障状态类别的故障状态类别集合；s13，将各所述离散类别标签按所述分析窗口的时间顺序依次追加保存构成所述主标签流。

11、优选的，s2包括：s21，按时间顺序逐窗读取所述主标签流中相邻分析窗口的所述离散类别标签，比较相邻分析窗口的所述离散类别标签的类别符号；s22，相邻分析窗口的所述离散类别标签的类别符号不同时，迁移事件指示量取第一预设取值，类别符号相同时迁移事件指示量取第二预设取值，起始分析窗口的迁移事件指示量取第二预设取值，结构迁移事件为相邻分析窗口的所述离散类别标签类别符号发生变化的事件；s23，将各所述迁移事件指示量按时间顺序排列构成所述迁移事件序列，每新增一个分析窗口即追加一条迁移事件指示量。

12、优选的，s2还包括：s24，以每次滑动一个分析窗口的步进方式在所述主标签流上滑动连续预设数量的分析窗口的窗口区间，统计所述窗口区间内迁移事件指示量之和，为零时判定所述连续预设数量的分析窗口构成完全静止时段，相邻两次滑动窗口区间之间存在重叠的分析窗口；s25，将相邻且相互重叠的完全静止时段合并为单个完全静止时段，合并后完全静止时段的起始位置取各重叠时段起始位置的最小值，结束位置取各重叠时段结束位置的最大值，将合并后的完全静止时段按起始位置与结束位置逐条记录至所述完全静止时段记录表。

13、优选的，s3包括：s31，依据所述物理必然性判据将所述完全静止时段判定为所述异常静止时段；s32，为所述完全静止时段写入所述异常静止标记，所述异常静止标记作为所述完全静止时段记录表中对应条目的附加字段存储，所述附加字段的取值为待复核、确认或撤销，写入时将所述附加字段的取值置为待复核；s33，对所述异常静止标记执行复核，复核结果为确认或撤销，复核完成后所述附加字段的取值固定。

14、优选的，s4包括：s41，以每次滑动一个分析窗口的步进方式依据所述迁移事件序列判定各分析窗口所属输出结构状态，记录为当前状态标识；s42，所述当前状态标识为漂移态时，为各故障状态类别设置候选计数变量，将当前分析窗口的离散类别标签对应所述候选计数变量累加，由漂移态切换为过渡态时以所述候选计数变量取值最大的故障状态类别为漂移态累积结果类别作为恢复输出的首个分析窗口的当前输出，由漂移态切换为静止态时放弃漂移态累积结果；s43，所述当前状态标识为静止态时，计算所述异常静止时段内各分析窗口的信号变化率，统计信号变化率大于预设第一阈值的分析窗口数量占所述异常静止时段内分析窗口总数的比例，比例大于预设第二阈值时确认所述异常静止时段成立，不大于预设第二阈值时撤销所述异常静止标记并改判为过渡态。

15、优选的，s5包括：s51，误判抑制判定确认异常静止时段后，主判别以时间正向依赖为判别依据时，将所述异常静止时段内各分析窗口对应的原始信号片段按时间逆序排列形成时间逆序信号片段，将所述时间逆序信号片段输入所述深度学习模型执行特征判别，生成时间逆序判别标签；主判别以特征域依赖为判别依据时，改以与特征域互补的另一特征域组织判别，生成特征域互补判别标签，所述特征域为组织信号执行特征判别的特征维度集合；s52，将所述时间逆序判别标签或所述特征域互补判别标签追加保存，构成所述对照标签流，统计所述对照标签流在所述异常静止时段内的迁移事件指示量之和，为零时判定失效原因为模型整体失去响应，大于零时判定失效原因为判别依赖方向失配；s5还包括处置决策，s53，失效原因为模型整体失去响应时，生成包含被监测设备标识、所述异常静止时段的起始位置与结束位置、失效原因判定结果与告警生成时刻的告警信息，输出至告警显示终端，将所述异常静止时段对应的输出数据标记为不可信数据，失效原因为判别依赖方向失配时，将所述深度学习模型的判别依赖方向反置为反置方向，清除所述主标签流、所述迁移事件序列与所述完全静止时段记录表。

16、优选的，s6包括清零重启：以换轨后首个离散类别标签为起点重建所述主标签流，将所述主标签流置于重启期兜底状态，仅累积离散类别标签，不执行输出结构状态判定，也不提交离散类别标签，累积满连续预设数量的分析窗口后，恢复输出结构状态判定与输出流程。

17、（三）有益效果

18、本发明提供了一种面向非平稳信号的自适应故障诊断深度学习方法。具备以下有益效果：

19、1、本发明通过逐窗比较相邻窗口判别结果生成迁移事件序列，依据迁移事件分布将输出过程划分为漂移态、静止态与过渡态；在不同状态下采用差异化输出策略，使模型输出与信号变化状态相匹配；在工况漂移期间暂缓输出并累积证据，避免不可靠结果直接提交；提升非平稳工况下监测输出的可信度。

20、2、本发明依据深度学习模型输出随工况漂移必然发生类别迁移的物理必然性判据，将连续无迁移的完全静止时段判定为异常静止时段；对异常静止时段执行判别依赖方向反置生成对照标签流，通过比较对照标签流与主标签流的结构关系区分模型整体失去响应与判别依赖方向失配；分别执行强制告警或自动换轨处理，换轨后重建标签流并经重启期累积恢复输出；实现对判别失效的及时识别与针对性恢复。