一种基于多模态数据融合的工业设备健康状态监测方法和计算机设备与流程
本发明属于设备故障诊断,具体地说,本发明涉及一种基于多模态数据融合的工业设备健康状态监测方法和计算机设备。
背景技术:
1、在智能制造、工业自动化领域,工业设备的稳定可靠运行是保障生产线连续作业、降低停机损耗、控制运维成本的关键核心。设备长期运行过程中易出现磨损、剥落、形变、疲劳损伤等隐性故障,若无法及时监测预警,极易引发设备停机、生产中断甚至安全事故。因此,高精度、高鲁棒性的设备健康状态监测与故障诊断技术,是实现工业设备预测性维护、提升工业生产智能化与安全化水平的核心支撑技术。
2、中国专利101592590a提供一种转动叶片故障间接诊断技术,它包括安装在叶片机静止部件上感受转子叶片相对静止部件因气动力和硬碰磨所引起振动、冲击的传感器组,含有检测叶片机运转频率的转速传感器,以及能根据转速传感器的信号提供的运动参照规律和振动传感器组的信号中反映叶片故障信息的叶片故障诊断装置;其中至少含有两个振动、冲击传感器的传感器组的信号和每种转子对应一个的转速传感器的信号接到叶片故障诊断装置,由叶片故障诊断装置内装的微处理器内设置的叶片故障诊断专家系统软件,利用振动信号和转速信号进行叶片故障诊断。经计算机技术与电传感器与故障诊断专家系统软件的结合,对叶片机运转中横向振动冲击p、叶片机轴向振动冲击y、叶片机吊挂或支撑装置扭转振动nz进行fft分析,并与转子的转速频率fn进行分析识别叶片故障。
3、现有技术通过多源异构数据联合诊断设备故障在时空对齐与数据融合的方面存在不足,导致故障诊断的准确率不高。
技术实现思路
1、本发明旨在提供一种基于多模态数据融合的工业设备健康状态监测方法和计算机设备,以达到在通过多源异构数据联合诊断设备故障时提高时空对齐与信号融合程度,提高故障诊断的准确率的技术目的。
2、为了实现上述目的,本发明采取的技术方案为:
3、本发明提供一种基于多模态数据融合的工业设备健康状态监测方法,包括以下步骤:
4、步骤一:采集工业设备运行时的低频模态数据和高频模态数据并进行预处理;所述低频模态数据包括设备温度参数,所述高频模态数据包括设备振动数据和声音数据;
5、步骤二:将预处理后的低频模态数据输入时序提取网络,输出低频特征向量;将预处理后的高频模态数据输入二维卷积神经网络中,输出高频特征向量;
6、步骤三:构建时空双流注意力机制模块,包括工况引导流与声振互补流;所述工况引导流为:经过温度时序特征引导对齐,计算增强后的振动时序特征和声音时序特征;所述声振互补流为:将增强后的振动时序特征和声音时序特征融合为声振共振特征;
7、步骤四:将温度特征、增强后的振动时序特征和声振共振特征进行通道拼接,并通过全局平均池化层进行特征压缩,提取得到融合上下文向量;将融合上下文向量输入由两层全连接层构成的多层感知机中,并通过激活函数进行归一化,计算各特征分支的实时置信度权重;根据计算出的置信度权重对三个分支的特征进行动态加权,输出融合健康特征;
8、步骤五:将融合健康特征输入全连接层和分类器,输出工业设备的当前健康状态标签和故障类型。
9、步骤一中,预处理方法包括:对低频模态数据进行重采样与线性插值对齐,并进行归一化处理,获得低频序列数据;对高频模态数据采用时间窗滑动切分,并进行短时傅里叶变换,转换为时频图谱。
10、步骤二中,时序提取网络由一维卷积神经网络与长短期记忆网络级联构成。
11、步骤三中,经过温度时序特征引导对齐,计算增强后的振动时序特征:
12、;
13、;
14、其中为温度特征向量,为振动特征向量,为权重矩阵,为激活函数,为缩放因子,为动态时间掩码矩阵,为增强后的振动时序特征。
15、步骤三中,经过温度时序特征引导对齐,计算增强后的声音时序特征,计算方法为:
16、;
17、;
18、其中为温度特征向量,为声音特征向量,为权重矩阵,为激活函数,为缩放因子,为动态时间掩码矩阵,为增强后的声音时序特征。
19、步骤三中,声振互补流为:构建相互注意力矩阵,并将增强后的振动特征和声音特征融合为声振共振特征,计算公式为:
20、;
21、;
22、其中为声音和振动互补的注意力矩阵,为激活函数,为映射矩阵,为增强后的振动时序特征,为增强后的声音时序特征,为缩放因子,()为拼接操作,为声振共振特征。
23、步骤四中,融合健康特征的计算公式为:
24、;
25、其中为温度特征,为增强后的振动时序特征,为声振共振特征,和分别为温度特征、振动增强特征和声振共振特征的置信度权重。
26、还包括模型优化方法,采用多任务联合一致性约束损失函数进行端到端协同优化,约束损失函数的公式为:
27、;
28、其中为交叉熵故障分类损失,为跨模态语义对比损失,为状态退化轨迹单调性损失,为跨模态语义对比损失项的平衡超参数,为状态退化轨迹单调性损失项的平衡超参数。
29、状态退化轨迹单调性损失的计算公式为:
30、;
31、其中()为距离度量函数,为第t时刻设备的融合健康特征,为第t时刻的下一时刻设备的融合健康特征,为设备正常工况下的基准特征向量。
32、本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现上述的方法。
33、本发明的技术效果为:
34、(1)本发明实现了多源异构信号的高效时空对齐与语义融合。传统方法采用简单拼接易导致语义断层与维度灾难。本发明通过构建时空双流注意力机制,利用温度低频特征中的宏观工况趋势动态激活高频振动与声音特征中的异常冲击段,配合动态时间掩码,首次在物理机理上实现了热平衡状态与机械应力波的时空耦合对齐,使得异构信号的协同特征提取深度大幅提升。
35、(2)本发明具备极高工程实用价值的软硬件级自动容错能力。工业现场环境恶劣,传感器常因油污、松动或电磁干扰而失效。本发明设计的自适应协同动态门控网络能够实时提取融合上下文向量,并在毫秒级内自动评估各传感器的信噪比与信号质量。一旦某一模态(如声音)遭遇突发强噪声或硬件掉线,门控网络可在不影响系统运行的前提下,自动将其置信度权重逼近于0,实现了极强的算法层面传感器故障隔离与系统容错鲁棒性。
36、(3)本发明显著提升强噪声环境下的设备故障诊断准确率。本发明在声振互补流中引入相互注意力瓶颈结构,充分利用了振动(结构传导)与声音(空气传导)的空域互补特性;同时在训练阶段引入跨模态语义对比损失,强制拉近同工况下异构信号的映射距离,从而有效剥离了工业现场的电磁和尖锐机械背景噪声,消除了伪特征干扰,大幅降低了强噪声、复杂变工况环境下的故障误报率和漏报率。
37、(4)本发明具备敏感的早期微弱故障捕获与长效退化预警能力。传统基于阈值报警的方法无法对尚未形成显性故障的微弱损伤进行预警。本发明创新性地引入了状态退化轨迹单调性损失ldeg,通过对连续时序融合特征进行一阶微分约束,使得模型对特征空间到全生命周期正常点的偏离趋势极度敏感。这使得算法能够在轴承微小剥落、早期轻微磨损等微弱损伤阶段,精准捕获设备不可逆的退化轨迹,显著拉长了预测性维护的提前预警周期。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com