物理可解释小波融合电机轴承故障诊断方法与流程

本发明涉及电机故障诊断，特别涉及一种物理可解释小波融合电机轴承故障诊断方法。

背景技术：

1、异步电机作为工业驱动系统的核心动力装备，其轴承健康状态直接关系到生产线的连续稳定运行。目前，针对异步电机轴承的状态监测与故障诊断普遍采用多传感器信息融合技术，通过同步采集振动、电流及温度等异构信号，从机械动力学、电磁特性及热力学等多个物理维度表征设备运行工况。相较于单一信号分析，多源数据融合能够充分利用不同传感器信号间的时空相关性与信息互补性，有效克服单一视角的局限性，显著提升对复合故障及早期微弱故障特征的识别能力，已成为当前智能运维领域的主流技术方案。

2、然而，在实际工业现场复杂电磁环境与长期服役条件下，受传感器老化失效、采集终端异常、通信链路中断或数据包丢失等因素影响，多源监测数据常呈现随机缺失或非完备状态。若直接将此类不完备数据输入传统融合模型，会破坏多传感器间固有的耦合关联结构，导致特征空间分布发生偏移，致使诊断性能急剧恶化。现有技术中采用的生成对抗网络、自编码器或简单插值等数据补全方法，多以恢复原始时域波形为目标，不仅训练收敛困难、计算开销大，且易在重构过程中引入虚假噪声或保留与故障无关的冗余信息，难以在未知缺失模式下稳定提取并保留具有类别判别性的关键故障特征，无法满足工业现场对诊断精度、鲁棒性及物理可解释性的综合要求。

技术实现思路

1、本发明的目的是提供一种物理可解释小波融合电机轴承故障诊断方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明采用的技术方案为：

3、一种物理可解释小波融合电机轴承故障诊断方法，包括：

4、采集异步电机运行过程中的多源传感器信号，对各所述传感器信号进行时间同步、分段切片和归一化处理，构建完整多源数据样本；依据传感器失效、采集异常或通信丢包情形建立不完备多源数据输入，并对输入通道的有效性进行检测；

5、将所述完整多源数据样本或所述不完备多源数据输入共享连续小波卷积特征提取模块，对不同传感器通道采用参数共享的小波卷积核进行时频特征映射，得到具有统一时频分辨率和物理含义的多源小波特征；

6、利用基于协同表示的缺失特征重构模块识别缺失模式，将所有有效传感器小波特征分别编码到深层语义空间，聚合得到多源联合表示，并由解码器从所述多源联合表示中重构完整的多源小波特征；以完整多源数据路径产生的特征知识监督不完备多源数据路径的重构过程；

7、将完整多源小波特征或经所述缺失特征重构模块恢复后的完整多源小波特征输入双视角特征融合网络，分别通过基于自适应门控机制的多传感器融合支路建模传感器间空间关联，以及通过多时间序列融合支路和多头注意力机制建模长时序依赖关系，对两个视角的特征进行融合，得到故障综合表征；

8、将所述故障综合表征输入参数共享式卷积神经网络分类器，经多级卷积、池化和非线性激活提取高层故障语义特征，再通过全连接层输出电机轴承健康状态或故障类别；

9、采用多目标联合优化策略训练故障诊断模型，将分类损失、完整多源数据路径与不完备多源数据路径之间的蒸馏损失、缺失特征重构损失以及协同表示协调损失联合构成总目标函数，通过反向传播更新网络参数，获得能够处理未知传感器缺失模式的电机轴承故障诊断模型。

10、在一些实施方式中，所述采集异步电机运行过程中的多源传感器信号，对各所述传感器信号进行时间同步、分段切片和归一化处理，构建完整多源数据样本，包括：

11、所述多源传感器信号包括振动信号、三相电流信号和温度信号；由4路振动通道、3路电流通道和2路温度通道组成9通道同步输入；

12、对原始多源时间序列以长度为1024的滑动窗口进行切片，并对各通道执行归一化处理；

13、训练阶段使用完整多源数据学习多物理场耦合规律，测试或部署阶段依据实际传感器失效情况或随机模拟方式屏蔽一个或多个传感器通道，以形成所述不完备多源数据输入。

14、在一些实施方式中，所述将所述完整多源数据样本或所述不完备多源数据输入共享连续小波卷积特征提取模块，对不同传感器通道采用参数共享的小波卷积核进行时频特征映射，得到具有统一时频分辨率和物理含义的多源小波特征，包括：

15、对于第个传感器输入信号，采用共享连续小波卷积进行特征提取，得到对应的小波特征，表示为：

16、；

17、其中，表示具有预定义时域表达形式的小波函数，和分别表示所述小波函数的位置参数和尺度参数，表示卷积运算，表示多源输入包含的传感器总数；所述小波函数为拉普拉斯小波，用于构建共享连续小波卷积核，以提取各传感器信号中的冲击特征和时频变化信息；

18、将全部传感器获得的小波特征沿通道维度进行级联，所述共享连续小波卷积特征提取模块的输出表示为：

19、；

20、其中，表示全部传感器小波特征级联后形成的多源小波特征。

21、在一些实施方式中，所述利用基于协同表示的缺失特征重构模块识别缺失模式，将所有有效传感器小波特征分别编码到深层语义空间，聚合得到多源联合表示，并由解码器从所述多源联合表示中重构完整的多源小波特征，包括：

22、利用缺失特征检测器判断输入的多源小波特征是否存在缺失；当输入数据存在特征缺失时，继续执行缺失模式识别和特征重构过程；当输入数据不存在特征缺失时，跳过缺失特征重构过程，直接进入所述双视角特征融合网络；

23、对于检测到存在缺失情况的多源输入，通过缺失模式识别模块对输入多源小波特征进行分析，获得有效的非缺失传感器集合以及对应的传感器缺失模式，表示为：

24、；

25、其中，表示所述缺失模式识别模块，表示有效非缺失传感器集合，表示当前输入对应的传感器缺失模式；

26、对于所述集合中的第个有效传感器，将其小波特征输入对应的卷积编码器，获得深层语义特征，表示为：

27、；

28、其中，表示第个有效传感器对应的卷积编码器，表示编码后获得的深层语义特征；

29、完成全部有效传感器特征编码后，将不同有效数据源的深层语义特征进行级联，并采用全局平均池化操作获得多源联合表示：

30、；

31、将所述多源联合表示输入对应的卷积解码器，对各传感器小波特征进行重构，第个传感器对应的重构特征表示为：

32、；

33、其中，表示第个传感器对应的卷积解码器，表示由所述多源联合表示重构得到的第个传感器小波特征；

34、将全部重构特征沿通道维度进行级联，形成完整的重构多源小波特征。

35、在一些实施方式中，所述以完整多源数据路径产生的特征知识监督不完备多源数据路径的重构过程，包括：

36、通过协同表示协调损失约束不同有效传感器深层语义特征与所述多源联合表示之间的一致性，所述协同表示协调损失表示为：

37、；

38、其中，表示协同表示协调损失，表示第个有效传感器的深层语义特征，表示所述多源联合表示；

39、采用完整多源数据路径产生的多源小波特征对不完备多源数据路径的特征恢复过程进行监督，重构损失表示为：

40、；

41、其中，表示缺失特征重构损失，表示重构得到的完整多源小波特征，表示完整多源数据路径产生的目标小波特征。

42、在一些实施方式中，所述通过基于自适应门控机制的多传感器融合支路建模传感器间空间关联，包括：

43、对于第个传感器，将除该传感器之外的其他传感器小波特征进行级联，形成对应的辅助特征，并根据所述辅助特征计算第个传感器对应的门控权重：

44、；

45、其中，表示sigmoid激活函数，和分别表示第个传感器对应门控网络的权重矩阵和偏置参数，表示根据其他传感器信息生成的第个传感器门控权重；

46、利用各所述门控权重对相应的传感器小波特征进行自适应加权，并对全部加权特征进行级联和池化处理，得到多传感器视角融合特征：

47、；

48、其中，表示逐元素乘法，表示池化操作。

49、在一些实施方式中，所述通过多时间序列融合支路和多头注意力机制建模长时序依赖关系，包括：

50、将全部传感器小波特征沿通道方向进行连接，并通过一维卷积操作建立不同数据源之间的耦合联系，得到耦合序列表示：

51、；

52、对所述耦合序列表示进行分组，采用多头注意力机制建立不同时间位置之间的全局依赖关系，并对注意力输出进行组内特征重组与融合，获得多时间序列视角特征：

53、；

54、其中，表示时间序列分组操作，表示多头注意力运算，表示组内特征重组与融合操作。

55、在一些实施方式中，所述对两个视角的特征进行融合，得到故障综合表征，包括：

56、将所述多时间序列视角特征与所述多传感器视角融合特征进行融合，并引入原始多源小波特征的残差连接，通过批标准化处理得到最终故障综合表征：

57、；

58、其中，表示双视角特征融合操作，表示批标准化操作，表示双视角融合后获得的最终故障综合表征。

59、在一些实施方式中，所述将所述故障综合表征输入参数共享式卷积神经网络分类器，经多级卷积、池化和非线性激活提取高层故障语义特征，再通过全连接层输出电机轴承健康状态或故障类别，包括：

60、所述参数共享式卷积神经网络分类器由五个级联卷积模块构成，各级卷积模块的特征通道数依次为32、48、64、80和96，卷积核尺寸均设置为3；

61、各卷积模块通过卷积操作提取局部故障语义特征，通过最大池化逐层降低特征维度并扩大有效感受范围，通过relu激活函数实现非线性特征映射；

62、经过五级卷积模块处理后，将获得的高维故障特征输入全连接分类层，输出对应于不同电机轴承健康状态的类别概率分布，并根据输出结果确定最终故障类型；所述故障类型包括正常状态、转子不平衡、轴不对中、轴承内圈故障和轴承外圈故障。

63、在一些实施方式中，所述将分类损失、完整多源数据路径与不完备多源数据路径之间的蒸馏损失、缺失特征重构损失以及协同表示协调损失联合构成总目标函数，包括：

64、引入kl散度构建知识蒸馏损失：

65、；

66、其中，和分别表示完整多源数据路径和不完备多源数据路径输出的类别概率分布，表示kl散度，表示知识蒸馏损失；

67、所述总目标函数表示为：

68、；

69、其中，表示分类损失，用于度量模型预测故障类别与真实故障类别之间的差异；表示完整多源数据路径与不完备多源数据路径之间的知识蒸馏损失；表示缺失特征重构损失，用于约束重构特征与完整路径目标特征之间的差异；表示协同表示协调损失，用于保持各有效传感器深层语义特征与联合表示之间的一致性；各损失项的权重均设置为1；

70、通过多目标联合损失对所述共享连续小波卷积特征提取模块、所述缺失特征重构模块、所述双视角特征融合网络以及所述参数共享式卷积神经网络分类器进行端到端联合优化。

71、本发明提供的技术方案带来的有益效果至少包括：

72、本技术方案通过共享连续小波卷积对各传感器通道施加统一的小波基函数进行时频映射，使异构信号在特征层面获得一致的物理表征尺度，避免了传统卷积核在不同物理量间语义不对齐的问题，为后续跨传感器特征关联提供了可解释的公共基底。针对传感器缺失场景，本方案采用协同表示机制将有效通道的深层语义特征约束至同一联合表示空间，使缺失通道的重构过程受限于多源物理耦合规律而非自由生成，从而在未知缺失模式下仍能稳定恢复与故障类别强相关的判别性特征，有效抑制了重构噪声与冗余信息的引入。在特征融合阶段，本方案以自适应门控机制建模传感器间空间互补关系，以多头注意力机制捕获长时序演化依赖，两个视角独立表征后再行融合，避免了单一融合路径对缺失模式敏感的问题，使模型在不同缺失组合下均能保持稳定的诊断输出。上述方法通过多目标联合优化实现端到端训练，无需针对每种缺失组合单独建模，即可泛化至训练阶段未见过的传感器缺失模式，显著降低了模型部署与维护成本。