基于液态神经网络的旋转机械故障诊断方法与系统

摘要: 本技术属于人工智能领域,具体涉及基于液态神经网络的旋转机械故障诊断方法与系统。背景技术:1、旋转机械作为现代工业生产的核心动力设备,广泛应用于电机、风机、泵、压...
基于液态神经网络的旋转机械故障诊断方法与系统

本技术属于人工智能领域,具体涉及基于液态神经网络的旋转机械故障诊断方法与系统。

背景技术:

1、旋转机械作为现代工业生产的核心动力设备,广泛应用于电机、风机、泵、压缩机等关键装备之中,其运行状态直接关系到生产安全、设备效率与企业经济效益。振动信号分析是目前旋转机械故障诊断领域最成熟、应用最广泛的技术手段,通过在轴承座、机壳等关键部位安装加速度传感器采集振动数据,并提取时域、频域等特征参数进行设备健康状态评估,已成为工业设备预测性维护体系的重要组成部分。然而,随着工业设备向大型化、精密化、智能化方向快速发展,旋转机械的运行工况日趋复杂多变,传统振动诊断方法在面对早期微弱故障检测、变工况适应性、实时在线监测以及边缘端部署等需求时,暴露出越来越明显的技术瓶颈,制约了工业设备故障诊断能力的进一步提升。

2、在特征提取与故障识别层面,传统振动诊断方法主要依赖均方根值、峰值因子、峭度等单一统计指标进行故障判断,这类方法对早期微弱故障特征缺乏足够的敏感性,尤其对于轴承初期点蚀、齿轮早期裂纹等早期故障极易发生漏诊。此外,上述统计指标在变速、变载工况下受背景噪声干扰严重,鲁棒性不足,难以准确反映设备的真实健康状态。与此同时,现有方法在特征提取层面缺乏对具体故障机理的针对性建模,未能针对轴承内圈故障、外圈故障、齿轮断齿等不同故障类型构建专属的特征识别体系,导致故障类型的区分能力弱,误报率居高不下,难以满足高精度故障诊断的实际需求。

3、在模型部署与系统实现层面,基于深度学习的故障诊断方法虽然能够通过数据驱动的方式提升特征表征能力和故障识别精度,但以卷积神经网络、循环神经网络为代表的深度模型参数量庞大、计算资源需求高,难以部署在边缘计算终端或移动设备上实现真正的在线监测。现有技术在模型轻量化与诊断精度之间难以取得良好平衡,精度高的模型体积过大无法边缘部署,而经过压缩的轻量模型精度又大幅下降,无法满足工业现场对实时性与准确性的双重要求。此外,现有故障诊断系统高度依赖云端计算能力和网络连接,在偏远厂区、移动巡检场景或网络信号弱的环境中难以正常工作,缺乏有效的本地离线诊断能力。更重要的是,现有诊断模型在完成部署后即处于固化状态,无法利用新产生的故障样本数据进行持续学习和迭代优化,模型的诊断性能无法随数据积累而不断提升,难以适应工业设备长期运行过程中的工况漂移和故障演化。因此,如何设计一种兼顾高精度与实时性、支持边缘端部署与离线诊断、具备持续学习能力的旋转机械故障诊断方法与系统,成为当前工业设备智能诊断领域亟待解决的技术难题。

技术实现思路

1、本发明的目的在于提供一种基于液态神经网络的旋转机械故障诊断方法与系统,可以有效解决上述背景技术中的问题。

2、为实现上述目的,本发明采取的技术方案为:

3、基于液态神经网络的旋转机械故障诊断方法,包括以下步骤:

4、采集旋转机械的振动信号,并对所述振动信号进行预处理,得到数字信号;

5、从所述数字信号中并行提取时域特征、频域特征、形态特征和能量积分特征,并经权重排序、阈值降噪与稀疏化处理,形成多维故障专属特征集;

6、将所述多维故障专属特征集输入至多尺度时序感知液态神经网络故障注意力锚定模型中,所述模型包括:通过多个不同尺度的卷积核并行提取局部形态特征的多尺度金字塔卷积层;通过液态神经网络的分层递归结构对长程时序依赖进行建模的分层时序编码层;通过注意力机制聚焦于故障冲击时段的注意力锚定层;以及输出故障严重程度和故障类型的双任务联合分类层,以得到诊断结果;

7、根据所述诊断结果,输出分级告警信息。

8、优选的,所述从所述数字信号中并行提取时域特征、频域特征、形态特征和能量积分特征,并经权重排序、阈值降噪与稀疏化处理,形成多维故障专属特征集的步骤,包括:

9、采用并行流水线架构,分别计算时域特征、频域特征、形态特征和能量积分特征;

10、通过relief-f算法对各维特征进行权重排序,所述relief-f算法包括:从训练集中随机采样样本,寻找其同类最近邻与异类最近邻,并根据特征差值按以下规则更新权重:同类最近邻与该样本的特征差值越小则权重增加越多,异类最近邻与该样本的特征差值越大则权重增加越多,反之权重减少;

11、根据预设的噪声阈值,剔除噪声标准差超过所述阈值的特征,进行阈值降噪;

12、通过稀疏化处理降低特征冗余度,最终形成16维的旋转机械故障专属特征集。

13、优选的,所述多尺度金字塔卷积层采用三个不同尺度的卷积核并行提取振动信号的局部形态特征,其中,小尺度卷积核捕捉冲击波形变化,中尺度卷积核捕获调制模式,大尺度卷积核提取全局振动轮廓,三个尺度的输出经通道拼接后输入至所述分层时序编码层。

14、优选的,所述分层时序编码层采用液态神经网络的分层递归结构,每个神经元的状态由常微分方程,其中为神经元膜电位状态,为输入电流,为时间常数;底层神经元以较小的时间常数对冲击响应进行跟踪,顶层神经元以较大的时间常数对慢变工况进行建模,两层之间通过跳跃连接传递信息;所述常微分方程通过欧拉法进行数值求解,迭代公式为。

15、优选的,所述注意力锚定层通过一个可学习的查询向量与特征序列中每个位置的键向量 k_i 计算点积相似度,得到注意力权重,其中为键向量的维度,并将所述注意力权重与对应位置的值向量加权求和,得到故障聚焦特征向量,以使模型自动聚焦于故障冲击发生的时段。

16、优选的,所述双任务联合分类层包括一个共享骨干网络,所述共享骨干网络分叉为分级任务头和病因分型任务头;所述分级任务头输出四级故障严重程度,所述病因分型任务头输出多种故障类型;训练时的总损失为分级任务损失与病因分型任务损失的加权和:,其中,。

17、优选的,所述方法还包括:依据当前网络状态与终端算力智能切换诊断路径的步骤,包括:

18、当网络通畅且算力充足时,调用云端深度模型进行诊断;

19、当网络受限时,切换至终端轻量模型进行诊断;

20、当无网络时,启用本地备用特征库,通过计算当前样本特征与库中历史特征的距离,取最近邻标签作为兜底诊断结果。

21、优选的,所述终端轻量模型是通过对所述云端深度模型进行知识蒸馏与整数量化后生成的,其模型体积小于50兆字节。

22、优选的,所述方法还包括闭环迭代优化步骤:

23、云端收集经标注的振动样本,对云端深度模型进行增量训练或微调;

24、云端将更新后的模型参数通过知识蒸馏与整数量化生成新的终端轻量模型,并通过无线通信下发至终端设备;

25、云端同步更新特征筛选的权重阈值与备用特征库。

26、本发明还提供了一种基于液态神经网络的旋转机械故障诊断系统,用于实现上述所述的方法,包括:

27、可穿戴振动采集终端,用于采集设备振动信号并进行预处理与格式转换;

28、特征提取模块,与所述采集终端连接,用于并行提取时域、频域、形态和能量积分特征,并形成多维故障专属特征集;

29、诊断输出模块,内置多尺度时序感知液态神经网络故障注意力锚定模型,用于输出诊断结果;

30、风险告警模块,配置有多级指示灯与振动马达,用于按风险等级输出分级告警。

31、与现有技术相比,本发明具有如下有益效果:

32、通过并行提取时域、频域、形态和能量积分四维故障专属特征,结合relief-f权重排序算法筛选出最具区分性的16维特征子集,实现了对轴承初期点蚀、齿轮早期裂纹等微弱故障特征的有效捕捉,检测灵敏度较传统单一统计指标方法提升显著;多尺度时序感知液态神经网络故障注意力锚定模型通过分层液态结构对振动信号的长程时序依赖进行精确建模,故障特征频率及其谐波的识别准确率大幅提升,有效降低了误报率。

33、云端深度模型通过知识蒸馏与整数量化技术压缩为终端轻量模型,模型体积控制在50兆字节以内,在边缘终端上实现单次推理50毫秒的响应速度,满足在线监测的实时性要求;三级诊断路径自适应切换机制根据网络状态与终端算力动态选择诊断模式,确保在各种工况下都能获得最优的诊断效果。

34、本地备用特征库存储超过1000个历史诊断案例,通过树形结构索引实现高效检索,在无网络环境下仍能提供有效的兜底诊断能力,解决了偏远厂区和移动巡检场景的离线诊断难题。

35、云端持续收集经标注的振动样本,定期对深度模型进行增量训练,终端模型通过差分更新实现无缝升级,模型性能随数据积累不断提升,适应工业设备长期运行过程中的工况漂移和故障演化。