基于原型感知加权与一致性的滚动轴承故障诊断方法、系统、电子设备及介质

摘要: 本发明属于工业人工智能与故障诊断,特别是涉及一种基于原型感知加权与一致性的滚动轴承故障诊断方法、系统、电子设备及介质。背景技术:1、滚动轴承是旋转机械设备的核心...
基于原型感知加权与一致性的滚动轴承故障诊断方法、系统、电子设备及介质

本发明属于工业人工智能与故障诊断,特别是涉及一种基于原型感知加权与一致性的滚动轴承故障诊断方法、系统、电子设备及介质。

背景技术:

1、滚动轴承是旋转机械设备的核心传动部件,其运行状态直接关系到整机的可靠性与安全性。近年来,深度学习凭借强大的非线性特征提取能力,能够自主地从原始振动信号中学习故障表征,在轴承故障诊断中取得了优于传统信号处理与人工特征工程的性能。

2、然而,目前主流深度诊断模型多以全监督方式训练,性能高度依赖大量、类别均衡且标注准确的故障样本。在真实工业场景中,故障类型标注依赖专家经验、成本高昂,难以覆盖不同负载与故障尺寸的全部组合;与此同时,设备运行中又积累了海量无标注信号。在此背景下,利用少量标注数据与大量无标注数据联合训练的半监督学习成为提升标签效率的有效途径。

3、但将通用半监督学习直接迁移到轴承故障诊断并非易事,其根源在于轴承信号的跨工况特性。由于实际诊断关心的是故障类型而非具体工况,每一类样本内部通常混合多种负载与故障尺寸,而负载与尺寸的变化会改变信号分布,致使同一故障类型呈现显著的类内分散。这种分散在外圈故障上尤为突出:当外圈故障受尺寸、负载及局部冲击响应差异影响而表现为弱响应时,其冲击能量减弱、时频纹理弥散,时频表征易与正常状态近似重叠,二者类间可分性低,构成弱可分边界,成为制约整体诊断精度的核心瓶颈。

4、现有技术在缓解上述瓶颈时仍存在以下显著缺陷:

5、(1)即便采用全监督训练并扩充标注规模,弱可分边界处特征近似重叠的本质并未改变,外圈与正常的判别精度难以进一步提升。

6、(2)现有主流半监督方法多以弱增广生成伪标签、以强增广施加一致性,并借助固定或自适应的置信度阈值抑制噪声。该类阈值筛选本质上是二元选取,在数量与质量之间被动权衡:既丢弃低置信但可能正确的样本,又保留高置信但错误的伪标签。

7、(3)现有方法的优化目标主要约束预测概率的一致性,缺乏对特征空间几何结构的显式建模。在外圈与正常近似重叠时,错误伪标签在边界处被反复利用会使决策边界偏移,反而难以改善最难区分类别的精度。

8、因此,本领域亟需一种能够在标注有限、无标注质量不稳定的跨工况条件下,从特征几何角度抑制错误伪标签、充分利用低置信但正确样本,并直接扩大弱可分类别间隔的技术方案。

技术实现思路

1、本发明提供了一种基于原型感知加权与一致性的滚动轴承故障诊断方法、系统、电子设备及介质,以解决现有技术在跨工况条件下因伪标签阈值二元选取、缺乏特征几何建模而导致的外圈与正常弱可分、最难区分类别精度受限的技术问题。

2、本发明的技术方案如下:

3、一种基于原型感知加权与一致性的滚动轴承故障诊断方法,包括如下步骤:

4、s1、获取滚动轴承在多种工况下的振动信号,按故障类型聚合不同负载与不同故障尺寸下的样本,使每一类故障状态内部混合多种工况,构建工况混杂的标注样本集与无标注样本集;

5、s2、对所述的振动信号进行连续小波变换(cwt),获取二维时频图像作为模型输入;构建由特征提取器与线性分类器组成的诊断模型,将所述特征提取器输出且作为所述线性分类器输入的特征向量确定为样本特征,并在所述的样本特征所在的特征空间中为每一类故障状态维护一个类别原型;

6、s3、采用半监督方式对所述的诊断模型进行训练:对无标注样本以弱增广生成伪标签、以强增广施加一致性约束;在训练过程中执行原型感知加权、原型一致性损失与严格原型维护,端到端地重塑分类层前的特征表示,使外圈与正常等弱可分类别之间的类间间隔扩大;

7、s4、加载训练保存的最优模型权重,将待诊断振动信号经cwt转换为二维时频图像后,依次输入所述特征提取器与线性分类器进行前向推理,输出待诊断样本对应的故障类型诊断结果。

8、本发明以原型感知加权抑制错误伪标签并利用低置信但几何一致的样本,以原型一致性损失扩大外圈与正常等弱可分类别的类间间隔,在标注有限、工况混杂条件下显著提升最难区分类别的诊断精度,具有标签效率高、泛化能力好的特点。

9、优选的,步骤s1中,构建工况混杂的样本集,具体过程包括:

10、s11、获取滚动轴承振动信号数据集,所述的数据集包含正常、内圈故障、滚动体故障、外圈故障共4种状态;优选地采用cwru滚动轴承数据集,其由加速度传感器采集驱动端振动信号,采样频率为12 khz;

11、s12、对每一类状态,聚合其在0、1、2、3 hp四种负载以及0.1778 mm、0.3556 mm、0.5334 mm三种故障尺寸下的样本,使每一类内部混合多种负载与尺寸;

12、s13、采用窗长300、步长300的非重叠滑窗对一维振动信号进行切片,使任意两个样本之间无信号重叠;

13、s14、将样本按每类800/200/600随机划分为训练集/验证集/测试集,取训练集中每类一部分作为标注样本、其余作为无标注样本;训练集全部样本(含标注样本)均同时作为无标注数据参与一致性训练。

14、优选的,步骤s2中,对振动信号进行连续小波变换cwt,具体为:采用morlet(莫尔莱)小波作为母小波将一维振动信号映射为二维时频表示,以自适应刻画非平稳振动信号在不同时间尺度上的局部特征,并将所得时频图统一缩放为96×96像素的rgb图像。

15、优选的,步骤s2中,构建诊断模型并维护类别原型,具体为:在标准的特征提取器与线性分类器主干上引入类别原型机制,不改变网络结构。模型由特征提取器与线性分类器组成:

16、

17、其中,为故障类别数、为特征维度;对任意输入时频图,所述特征提取器对进行特征提取,得到作为所述线性分类器输入的特征向量,并将该特征向量记为:

18、

19、以该样本特征空间作为默认特征空间,全部原型构建、距离度量与损失均在此空间中定义。训练开始前对每一类故障状态维护类别原型并初始化为零向量:

20、

21、样本与原型间采用欧氏距离:

22、

23、若分类头为余弦/归一化形式,则先对与作l2归一化,此时单位球面上的平方欧氏距离与余弦距离等价。

24、优选的,步骤s3中,原型感知加权(pa-weighting)为每一个伪标签样本分配连续训练权重,使全部伪标签样本均参与训练。记伪标签样本的强增广特征为,第轮训练的第类别原型为,伪标签类别;定义样本特征与第类别原型的距离、与最近类别原型的距离,并令二者之差作为几何相容性指示:

25、

26、

27、

28、据此构造原型权重,其为截断指数函数:当时视为几何相容、赋予满权重;当时按单侧指数衰减:

29、

30、置信度权重借鉴截断高斯加权,依据伪标签置信度与该类历史置信度均值、标准差给出:

31、

32、最终训练权重由二者按随训练轮次单调递增的融合系数加权:

33、

34、其中,由0增至1、预热期()取近0,使权重由前期以为主平滑过渡到后期以为主;弱响应外圈样本常落在正常原型附近、伪标签虽置信度高却几何不一致,据此被降权,避免其在弱可分边界处被反复强化。

35、优选的,步骤s3中,所述训练目标由监督项、弱-强增广一致性正则项与原型一致性项组成。记为多类交叉熵,为模型预测分布,弱、强增广分别记为,对无标注样本由弱增广给出伪标签:

36、

37、记样本权重为,则三项损失为:

38、

39、

40、

41、其中,为分类层前特征提取器,为样本伪标签类别对应原型,、分别为标注与无标注批大小;原型项采用随训练由0升至1的时间权重预热,最终总体目标为:

42、

43、其中,与为超参数;该原型一致性约束将分散的外圈样本拉向紧致的外圈原型、远离正常类聚集区,直接扩大外圈与正常之间的类间间隔。

44、优选的,步骤s3中,所述严格原型维护采用高置信且几何一致的严格准入规则:仅当无标注样本满足(即置信度不低于该类历史水平使、且伪标签类别恰为其最近原型所属类别使)时,方将其强增广特征纳入更新。记类别 的标注样本集合为,合格伪标签样本集合为,即:

45、

46、设第轮,对每一类别,由标注样本(权重)与合格伪标签样本(权重)的强增广特征通过加权质心更新原型:

47、

48、再以动量系数进行指数滑动平均ema更新:

49、

50、从而仅由强证据样本牵引原型,抑制原型漂移并阻止外圈原型向正常类漂移。

51、该双重约束显著降低高置信但几何错误、或几何接近但语义不稳样本进入更新的概率,从源头抑制噪声伪标签对原型位置的污染,并阻止外圈原型向正常类漂移。

52、优选的,步骤s3中,对所述诊断模型进行训练,采用sgd优化器(动量0.9)配合余弦退火学习率更新网络权重,并对网络参数采用指数滑动平均(ema,衰减系数0.999)用于评估与标签估计;以验证集准确率最高为判定条件保存最优模型。整个流程端到端训练,无需额外教师模型或多阶段流程,可即插即用地接入现有半监督框架与不同主干网络。

53、本发明还公开了一种基于原型感知加权与一致性的滚动轴承故障诊断系统,用于执行上述方法,其包括如下模块:

54、样本集构建模块:获取滚动轴承在多种工况下的振动信号,按故障类型聚合不同负载与不同故障尺寸下的样本,使每一类故障状态内部混合多种工况,构建工况混杂的标注样本集与无标注样本集;

55、诊断模型构建模块:对所述的振动信号进行连续小波变换cwt,获取二维时频图像作为诊断模型输入;构建由特征提取器与线性分类器组成的诊断模型,将所述特征提取器输出且作为所述线性分类器输入的特征向量确定为样本特征,并在所述的样本特征所在的特征空间中为每一类故障状态维护一个类别原型;

56、训练模块:采用半监督方式对所述的诊断模型进行训练:对无标注样本以弱增广生成伪标签、以强增广施加一致性约束;在训练过程中执行原型感知加权、原型一致性损失与严格原型维护,端到端地重塑分类层前的特征表示;

57、诊断结果输出模块:加载训练保存的最优模型权重,将待诊断振动信号经cwt转换为二维时频图像后,依次输入所述特征提取器与线性分类器进行前向推理,输出待诊断样本对应的故障类型诊断结果。

58、本发明还公开了一种电子设备,包括:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法或系统。

59、本发明还公开了一种存储介质,包括存储的程序,其中,所述程序运行时执行上述方法或系统。

60、与现有技术相比,本发明具有以下有益技术效果:

61、本发明以类别原型作为几何先验,在不修改网络结构的前提下重塑分类层前的特征表示,将原型嵌入半监督学习的加权与一致性两个关键环节,无需额外教师模型或多阶段流程,可即插即用地接入现有半监督框架与不同主干网络。

62、本发明提出的原型感知加权为全部伪标签分配连续权重,依据样本到伪标签原型与到最近原型的几何间隔抑制高置信错误伪标签,同时利用低置信但几何一致的正确样本,缓解了现有阈值方法在数量与质量之间的被动权衡。

63、本发明提出的原型一致性损失与严格原型维护,显式增强类内紧致性与类间可分性,在外圈与正常的弱可分边界处扩大类间间隔并防止原型漂移。

64、经实验,在跨工况构造的cwru数据集上,本发明仅用一半标注即将整体准确率提升至95.08%,超过使用全部标注的全监督基线,且增益几乎完全集中于最难区分的外圈类(约73%至75%提升至84.50%),其余三类仍保持高位,特别适用于标注有限、工况混杂的真实工业诊断场景。