基于不确定性量化的轴承故障诊断方法

本发明属于轴承诊断，更为具体地讲，涉及一种基于不确定性量化的轴承故障诊断方法。

背景技术：

1、轴承作为机械设备的核心支撑部件，其运行状态直接影响设备整体的稳定性与安全性，精准的故障诊断是保障设备可靠运行的关键手段。随着监测技术的发展，多模态监测信号（如振动信号、电流信号、温度信号等）被广泛应用于轴承故障诊断领域，通过融合不同模态的信息，可有效弥补单一模态信息的局限性，提升故障诊断的准确性与全面性。然而，现有多模态融合诊断技术在实际应用中仍存在诸多难以解决的技术痛点，严重制约了故障诊断性能的提升，具体如下：

2、一方面，现有多模态融合方法缺乏对单一模态内部故障信息的细粒度筛选，导致故障特征易被干扰成分稀释。原始监测信号中通常包含大量背景噪声、运行工况波动等无关干扰成分，而当前主流的多模态融合方案多采用直接融合的方式，将各模态内的所有信号成分无差别地进行融合处理。这种处理方式使得有效的故障特征被无关干扰成分掩盖甚至稀释，无法充分凸显故障特征的关键信息，轻则降低诊断精度，重则导致整个多模态融合框架失效，无法实现对轴承故障的有效识别。

3、另一方面，现有技术无法量化多模态融合过程中的单一模态对故障类别的不确定性，固定权重分配模式易导致诊断结果可靠性不足。在模型训练过程中，受决策边界自适应变化的影响，不同模态对故障特征的贡献度并非固定不变，而是呈现动态波动的特性。但现有多模态融合方案通常采用固定的权重分配策略，无法对各模态贡献度的动态不确定性进行量化分析。这使得低质量模态（如受干扰严重、故障特征不明显的模态）会对整体融合过程产生负面干扰，导致模型盲目输出错误的诊断决策，大幅降低了诊断结果的可靠性与稳定性，难以满足实际工业场景中对故障诊断精准性的要求。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于不确定性量化的轴承故障诊断方法，针对多模态信号构建了一种基于d-s证据理论的宏观不确定性量化策略，自适应地求解各整体模态的不确定性概率，进而实现多源监测信号的有效融合，提升轴承故障诊断的准确性与可靠性。

2、为了实现上述发明目的，本发明基于不确定性量化的轴承故障诊断方法包括以下步骤：

3、s1：采集轴承在正常状态和种故障状态下的多模态信号样本，每个多模态信号样本包括同一时间段内的2个不同模态信号，，表示时刻，样本标签设置为故障状态，，构建得到训练样本集；

4、s2：构建轴承故障诊断模型，包括第一特征提取模块、第二特征提取模块和预测模块，其中：

5、第一特征提取模块用于对输入多模态信号中的第一模态信号进行特征提取，得到第一模态特征并发送至预测模块；

6、第二特征提取模块用于对输入多模态信号中的第二模态信号进行特征提取，得到第二模态特征并发送至预测模块；

7、预测模块用于根据2个模态特征预测得到轴承属于个故障状态的概率；预测模块包括第一证据向量生成模块，第二证据向量生成模块，狄利克雷采样模块，自适应权重分配模块，修正模块，基本概率分配融合模块和概率生成模块，其中：

8、第一证据向量生成模块用于根据第一模态特征生成非负的第一证据向量并发送至狄利克雷采样模块：

9、，

10、其中，表示第一模态在故障类别的证据值，、表示第一模态对应的权重和偏置，表示平滑非线性激活函数；

11、第二证据向量生成模块用于根据第二模态特征生成非负的第二证据向量并发送至狄利克雷采样模块：

12、，

13、其中，表示第二模态在故障类别的证据值，、表示第二模态对应的权重和偏置；

14、狄利克雷采样模块基于两个证据向量利用狄利克雷分布采样并映射生成d-s证据理论的基本概率分配，具体方法为：

15、基于每个证据向量计算分布总强度：

16、，

17、其中，表示第个模态中第类的狄利克雷分布的浓度参数；

18、然后采用如下公式计算得到单元素焦元的基本概率分配、全集焦元的基本概率分配和复合焦元的基本概率分配：

19、，

20、其中，表示第类故障状态，表示故障状态集合，表示第个模态对第类故障的确定性，表示第个模态的总体认知不确定性；

21、然后将总体认知不确定性发送至自适应模态权重模块，将单元素焦元的基本概率分配和全集焦元的基本概率分配发送至修正模块；

22、自适应模态权重模块用于根据总体认知不确定性计算得到两个模态的权重并发送至修正模块，权重的计算公式如下：

23、，

24、其中，表示调节参数，表示补偿系数；

25、修正模块用于根据权重对单元素焦元的基本概率分配和全集焦元的基本概率分配进行修正，得到修正后的基本概率分配、并发送至基本概率分配融合模块；修正公式如下：

26、；

27、基本概率分配融合模块用于采用d-s正交和规则对修正后的单元素焦元的基本概率分配和全集焦元的基本概率分配进行融合，得到单元素焦元和全集焦元的融合基本概率分配、并发送至概率向量生成模块；融合公式如下：

28、，

29、，

30、其中，表示冲突系数，定义为：

31、，

32、概率生成模块根据单元素焦元和全集焦元的融合基本概率分配、得到最终轴承属于每个故障状态的概率：

33、；

34、s3：采用训练样本集对轴承故障诊断模型进行训练，得到训练好的轴承故障诊断模型；

35、s4：当需要对轴承进行故障检测，实时采集同一时间段内的2个不同模态信号并输入训练好的轴承故障诊断模型，得到故障诊断结果。

36、本发明基于不确定性量化的轴承故障诊断方法，采集训练样本集，每个训练样本包括轴承的2个不同模态信号，构建轴承故障诊断模型，采用2个特征提取模块分别对2个模态信号提取得到模态特征，预测模块采用基于d-s证据理论的不确定性量化生成轴承属于各个故障状态的概率；采用训练样本集对轴承故障诊断模型进行训练，采用训练好的轴承故障诊断模型对轴承进行故障检测。

37、本发明具有以下有益效果：

38、1）针对模态信号的特征提取，本发明提出了一种微观物理嵌入选择机制，用于评估单一模态内不同分量所对应的权重，实现单模态故障特征细粒度筛选，从而增强对内在故障特征的表征能力；

39、2）本发明构建了基于d-s证据理论的宏观不确定性量化策略，自适应地求解各整体模态的不确定性概率，进而实现多源监测信号的有效融合，提升故障诊断的准确性与可靠性；

40、3）在轴承故障诊断模型训练方面，本发明还设计了一种结合全局证据校准和局部权重正则化的联合优化策略，以提升模态性能，确保故障诊断效能。

1.一种基于不确定性量化的轴承故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤s3中轴承故障诊断模型训练的损失函数的计算公式如下：

3.根据权利要求2所述的轴承故障诊断方法，其特征在于，所述权重系数，表示迭代次数，表示退火周期。

4.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述特征提取模块包括集合经验模态分解模块，物理差异量化模块，模态权重生成模块，模态特征提取模块和加权融合模块，其中：

5.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述物理差异量化向量，其中表示第个模态的第个imf分量与对应正常参考imf分量的kl散度，计算公式如下：

6.根据权利要求5所述的轴承故障诊断方法，其特征在于，所述峭度采用如下公式计算：

7.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述模态权重生成模块包括多层感知机和softmax层，其中：

8.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述模态特征提取模块进行特征提取的具体方法为：

9.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述步骤s3中轴承故障诊断模型训练的损失函数的计算公式如下：

10.根据权利要求9所述的轴承故障诊断方法，其特征在于，所述权重系数，表示迭代次数，表示退火周期。