数字孪生驱动电主轴小样本故障诊断的数据增强方法

摘要: 本发明涉及智能故障诊断与数据增强,具体涉及数字孪生驱动电主轴小样本故障诊断的数据增强方法。背景技术:1、高端数控机床是航空航天、汽车制造、精密模具和高端装备制造...
数字孪生驱动电主轴小样本故障诊断的数据增强方法

本发明涉及智能故障诊断与数据增强,具体涉及数字孪生驱动电主轴小样本故障诊断的数据增强方法。

背景技术:

1、高端数控机床是航空航天、汽车制造、精密模具和高端装备制造等领域的重要基础装备,其运行状态直接影响加工质量、生产效率和制造系统可靠性;电主轴系统作为数控机床实现高速旋转运动和切削能量传递的核心执行部件,长期处于高速运转、交变载荷、热-力耦合和振动冲击等复杂工况下,容易发生各类故障,将直接导致加工精度下降、生产停机甚至设备损伤,因此,对电主轴系统进行准确故障诊断对于保障数控机床稳定运行和实现预测性维护具有重要意义。

2、随着传感技术的发展,基于深度学习的数据驱动故障诊断方法逐渐成为电主轴系统健康监测的重要技术路线,但该类方法通常依赖大量标注训练样本,而实际工业场景中的电主轴故障具有偶发性和不可预知性,真实故障样本难以大量采集,故障试验还需要拆装关键零部件并人为制造故障,存在成本高、周期长和安全风险大等问题,导致电主轴系统故障诊断常常面临小样本数据不足的问题。

3、为了解决故障样本不足的问题,现有涉及的技术主要包括故障诊断模型改进和训练数据增强两类方法;故障诊断模型改进方法通常通过优化网络结构、引入注意力机制、原型学习机制或先验知识约束等方式提高模型对少量样本的利用效率,但其效果与具体模型结构和训练策略密切相关,通用性受到限制;训练数据增强方法通过重采样、信号变换、变分自编码器或生成对抗网络等方式扩充训练样本,能够直接增加训练数据数量,为不同诊断模型提供更加充分的训练信息。然而,现有生成式数据增强方法通常以随机噪声和类别标签作为生成器输入,主要依赖有限真实样本进行数据分布拟合,在电主轴系统小样本故障诊断场景下,少量真实样本难以完整描述复杂故障振动信号的特征分布,容易导致生成模型训练不稳定、生成样本故障特征不明显、类别判别信息不足等问题。

4、针对现有技术中的缺陷,可以利用数字孪生模型通过机理建模描述设备结构关系、动力学行为和故障响应规律,其生成的孪生数据能够在一定程度上反映设备的故障机理和物理特征,为小样本故障数据增强提供了新的技术途径。但是,受模型简化、参数不确定和实际运行环境复杂性等因素影响,数字孪生数据与真实数据之间通常存在差异,若直接将孪生数据作为真实训练样本使用,可能影响诊断模型对真实故障特征的学习。同时,现有生成式数据增强方法更多关注生成样本与真实样本在数据形态或统计分布上的相似性,缺乏对频谱特征、包络谱特征和统计特征等物理特征一致性的显式约束,导致生成样本在故障机理表征和诊断应用效果方面仍存在不足。

技术实现思路

1、本发明实施例提供了数字孪生驱动电主轴小样本故障诊断的数据增强方法,方法设计合理,基于构建的电主轴系统数字孪生动力学模型,能够生成不同故障状态下的孪生振动样本,并通过孪生编码器将孪生样本映射为故障相关的先验特征,使生成过程在数字孪生物理先验信息的引导下进行;同时构建多尺度判别器,从不同时间尺度对真实样本与生成样本进行判别,提高判别器对局部冲击特征、局部结构特征和整体周期特征的识别能力,引入自适应物理一致性约束调节,从频谱、包络谱和统计特征三个层面对生成样本与真实样本进行物理特征分布约束,并根据训练过程中的物理特征分布差异动态调整物理一致性损失权重,从而生成更符合真实故障机理和真实数据分布的增强样本,进而解决现有技术中小样本故障诊断准确率低、生成样本物理一致性不足和故障判别特征不充分的问题。

2、本发明为解决上述技术问题所采用的技术方案是:

3、数字孪生驱动电主轴小样本故障诊断的数据增强方法,其特所述增强方法包括以下步骤:

4、s1,依次采集电主轴系统在不同健康状态下的壳体振动信号,构建小样本真实故障数据集;同时基于电主轴系统结构和故障机理建立数字孪生动力学模型,通过故障注入生成不同故障状态下的孪生振动样本;

5、s2,搭建数字孪生引导的物理一致性生成网络模型;

6、s3,将孪生振动样本输入孪生编码器,得到故障相关的孪生先验特征,并将孪生先验特征与随机噪声、类别标签共同输入生成器,使生成器在数字孪生物理先验信息的引导下生成对应故障类别的增强样本;将真实样本和生成样本输入多尺度判别器,通过多尺度特征提取结构分别对振动信号中的局部冲击特征、局部结构特征和整体周期特征进行判别,计算真实样本与生成样本之间的对抗损失;分别提取真实样本和生成样本的频谱特征、包络谱特征和统计特征,计算不同物理特征空间中的分布差异,构建物理一致性损失,并根据当前训练阶段下生成样本与真实样本之间的物理特征分布差异,动态调整物理一致性损失权重;基于对抗损失、梯度惩罚损失和自适应物理一致性损失对生成网络模型进行迭代训练,得到训练完成的故障样本生成模型;

7、s4,采用训练完成的故障样本生成模型生成故障增强样本,并将生成样本与小样本真实故障数据共同构成增强训练集,用于训练故障诊断模型,实现电主轴系统小样本故障诊断。

8、所述生成网络模型包括孪生编码器、生成器、多尺度判别器和自适应物理一致性约束模块;其中,孪生编码器用于提取孪生样本中的故障先验特征,生成器用于生成故障增强样本,多尺度判别器用于判别真实样本与生成样本之间的分布差异,自适应物理一致性约束模块用于约束生成样本与真实样本之间的物理特征一致性。

9、所述数字孪生动力学模型采用集中参数法建立,将电主轴系统等效为由左轴承、右轴承、转子和壳体构成的转子-轴承-壳体耦合系统,对应的动力学方程为:

10、;

11、其中,m、c和k分别为系统等效质量矩阵、阻尼矩阵和刚度矩阵,q为系统广义位移向量,fb为轴承非线性接触力,fr为转子故障激励,fg为重力项;

12、所述轴承非线性接触力采用hertz接触模型计算,并通过在滚动体与滚道之间的接触变形中引入故障时变位移,模拟轴承外圈故障、轴承内圈故障和滚动体故障;通过在转子动力学方程中引入不平衡质量产生的离心力,模拟转子不平衡故障;通过引入旋转弯曲偏置产生的等效恢复力,模拟转子弯曲故障;由此得到健康状态、转子不平衡故障、转子弯曲故障、轴承外圈故障、轴承内圈故障和轴承滚动体故障下的孪生振动样本。

13、所述孪生编码器包括一维卷积层、批量归一化层、非线性激活层、全局平均池化层和全连接层,用于将数字孪生动力学模型生成的孪生振动样本映射为故障相关的孪生先验特征;

14、所述生成器将随机噪声、孪生先验特征和类别标签嵌入特征进行融合,得到生成器的初始特征表示,其生成过程表示为:

15、;

16、其中,xg为生成样本,g为生成器,z为随机噪声,y为类别标签,xt为孪生振动样本,et为孪生编码器;

17、经由上述处理,使生成器不再单纯依赖随机噪声和少量真实样本学习故障数据分布,而是在孪生样本提供的物理先验信息引导下学习目标故障类别的样本生成映射。

18、述多尺度判别器包括多个并行卷积分支,各卷积分支采用不同大小的卷积核进行特征提取;其中,小尺度卷积分支用于捕获振动信号中的局部冲击特征,中尺度卷积分支用于提取局部结构和过渡模式,大尺度卷积分支用于刻画振动信号中的周期变化和整体波形结构;

19、各卷积分支提取的特征在通道维度进行融合,并经由后续卷积层、非线性激活层、全局平均池化层和全连接层得到判别特征;同时,引入类别标签嵌入特征,通过条件投影方式将判别特征与类别标签信息进行融合,得到对应故障类别条件下的判别得分。

20、所述物理一致性损失包括频谱一致性损失、包络谱一致性损失和统计特征一致性损失;

21、所述频谱一致性损失用于约束生成样本与真实样本在频域能量分布上的一致性;所述包络谱一致性损失用于约束生成样本与真实样本在幅值调制和冲击特征上的一致性;所述统计特征一致性损失用于约束生成样本与真实样本在整体幅值分布特性上的一致性;

22、经由wasserstein距离分别度量真实样本和生成样本在不同物理特征空间中的分布差异,进而将物理一致性损失表示为:

23、;

24、其中,为整体物理一致性损失,xr为真实样本,xg为生成样本,为频谱特征,为包络谱特征,为统计特征提取函数,为wasserstein距离,λ1、λ2和λ3分别为不同物理特征一致性损失的权重系数。

25、所述自适应物理一致性约束模块根据生成样本与真实样本之间的物理特征分布差异动态调节物理一致性损失权重;具体包括以下步骤:

26、将物理特征分布差异映射为分布一致性指标:

27、;

28、其中,c为分布一致性指标,τ为缩放系数;

29、计算自适应物理一致性权重:

30、;

31、其中,μada为自适应物理一致性权重,μmin和μmax分别为权重下界和权重上界;

32、当生成样本与真实样本之间的物理特征分布差异较大时,μada增大,使生成器优先学习真实故障样本中的关键物理特征;当生成样本与真实样本之间的物理特征分布差异逐渐减小时,μada减小,使生成器逐步转向对真实数据分布的精细拟合。

33、所述生成网络模型能够基于条件wasserstein生成对抗网络和梯度惩罚机制进行训练,得到判别器损失函数和生成器损失函数;

34、所述判别器损失函数为:

35、;

36、所述生成器损失函数为:

37、;

38、其中,d为判别器,xr为真实样本,xg为生成样本,y为类别标签,为由真实样本与生成样本构造得到的插值样本,λgp为梯度惩罚系数,μada为自适应物理一致性权重,dphy为整体物理一致性损失;

39、经由生成器损失函数的设定,使生成样本在逼近真实数据分布的同时保持与真实样本在关键物理特征上的一致性。

40、本发明采用上述方法,通过数字孪生动力学模型提供故障机理先验,使生成过程不再单纯依赖随机噪声和少量真实样本,提高了小样本条件下生成过程的稳定性;通过孪生编码器将孪生样本转化为故障相关先验特征,避免直接使用孪生数据带来的数据差异问题;通过多尺度判别器增强对局部冲击、局部结构和整体周期特征的判别能力,提高生成样本的故障表征能力;通过频谱、包络谱和统计特征三个层面的物理一致性约束,使生成样本不仅在数据形态上接近真实样本,而且在关键物理特征上保持一致;通过自适应权重调节机制,使模型训练初期重点学习故障振动信号的物理特征,训练后期逐步转向真实数据分布的精细拟合,具有物理机理明确、生成样本质量高和故障诊断效果好的优点。