一种物理编译网络的滚动轴承故障诊断方法及系统
本发明涉及旋转机械状态监测、振动信号处理和智能故障诊断,尤其涉及一种物理编译网络的滚动轴承故障诊断方法及系统。
背景技术:
1、滚动轴承是电机、齿轮箱、风力发电机组、泵体、压缩机及数控机床等旋转机械中的核心支承部件,其运行状态直接决定整台设备的运行可靠性与使用寿命。滚动轴承的滚动体、内圈、外圈在长期服役后易出现局部剥落、点蚀、裂纹等缺陷,缺陷部位与滚动体周期性接触产生瞬态冲击,进而激励结构共振,若未能及时识别故障并采取运维措施,可能引发设备停机、生产中断甚至安全事故。因此,精准、可靠的滚动轴承故障诊断技术,对工业设备的状态运维、降本增效及安全生产具有重要的产业价值。
2、目前滚动轴承故障诊断技术主要分为两类:一类是基于信号处理的传统诊断方法,以包络分析为代表,通过选取共振频带提取故障特征频率实现故障识别,其依赖人工经验设定中心频率与带宽参数;另一类是基于深度神经网络的端到端诊断方法,通过卷积神经网络等结构自动学习信号特征,无需人工设计特征,适配复杂工况下的故障分类。部分研究引入注意力机制、显著性图等方式对诊断结果进行归因解释,也有研究尝试将kolmogorov-arnold网络用于故障分类,利用其边函数可视化特性提升模型可解释性。
3、上述现有技术还存在以下不足:
4、1.端到端深度学习模型的滤波核多采用随机初始化方式,在无物理边界约束的参数空间内迭代更新,训练过程中易出现核能量坍缩、异常放大、共振频带漂移或退化为近全通响应的问题,无法与轴承欠阻尼冲击响应的衰减率、共振中心等动力学参数建立对应关系,诊断结论缺乏可追溯的物理依据。
5、2.现有共振频带选择方法大多依赖轴承几何参数与运行转速计算故障特征频率,在设备技术资料缺失、轴承更换记录不全或多级传动场景下难以精准确定候选频带,且模型训练过程缺乏对滤波核能量、频带集中度及参数可行域的持续约束,滤波核的物理语义随训练迭代易发生退化。
6、3.现有故障诊断模型的可解释性多依赖事后归因方法,其解释结果受网络结构与样本扰动影响较大,稳定性不足,且无法与轴承故障冲击的动力学机制形成一一对应,kolmogorov-arnold网络直接用于分类时,前端输入特征无物理先验约束,在高噪声、低信噪比场景下训练稳定性差,无法同步输出可量化、可复核的物理诊断证据。
技术实现思路
1、本发明的目的是针对上述背景技术中提出的问题,提供一种物理编译网络的滚动轴承故障诊断方法及系统。
2、为达到上述目的,本发明采用了下列技术方案:一种物理编译网络的滚动轴承故障诊断方法,包括以下步骤:
3、s1、采集滚动轴承的振动信号,以原始采集记录为单元划分训练集、验证集和测试集,对各数据集内的振动信号执行滑动窗口分段并配置对应故障状态标签;
4、s2、提取训练集振动信号的包络谱、谱峭度和局部谱能量,基于包络谱、谱峭度和局部谱能量确定至少一个候选共振频带;
5、s3、为每一物理编译滤波通道分配对应候选共振频带,根据候选共振频带的共振中心频率与半功率带宽确定初始振荡角频率与初始衰减率,构造欠阻尼冲击响应物理模板,通过动力学-拓扑映射将物理模板转换为可训练的b样条系数,生成初始物理编译滤波核;
6、s4、构建依次级联的物理编译滤波模块、注意力增强模块、统计特征聚合模块、特征标准化模块、kolmogorov-arnold表示模块以及分类模块,物理编译滤波模块包含多个初始物理编译滤波核作为滤波核,kolmogorov-arnold表示模块设置有b样条边函数、稀疏门控连接以及至少一个用于特征乘性耦合的乘法节点;
7、s5、构建包含分类损失、稀疏损失、滤波核物理特性约束损失与权重衰减损失的联合损失函数,采用分阶段冻结-解冻策略对网络进行训练,得到故障诊断模型;
8、s6、将待诊断滚动轴承的振动信号输入故障诊断模型,输出故障类别诊断结果,并同步输出物理编译滤波核的时域形态、频域响应、共振特征参数以及稀疏决策路径中的至少一种可验证物理诊断证据,共振特征参数包括衰减率、共振中心频率和带宽集中率中的至少一种。
9、进一步,步骤s1中,以原始采集文件或连续运行记录为最小划分单元,完成数据集划分后再执行滑动窗口分段,相邻滑动窗口设置有预设重叠率,并根据各类别样本数量的倒数或有效样本数计算类别权重,用于训练时的分类损失计算。
10、进一步,步骤s2中:
11、当可获取轴承几何参数与运行转速时,计算滚动体通过外圈频率、滚动体通过内圈频率、滚动体自转频率及其一阶及以上预设阶数谐波以构造特征频率邻域,结合包络谱能量、谱峭度与局部谱能量生成综合频带评分,对综合评分的局部峰值执行非极大值抑制,得到候选共振频带;
12、当无法获取轴承几何参数或转速时,直接从谱峭度峰值与包络谱峰值中提取候选频率点,依据峰值显著性、局部谱能量及频带间距排序后执行非极大值抑制,得到候选共振频带。
13、进一步,步骤s3中,第q个物理编译滤波通道的初始振荡角频率与初始衰减率满足:
14、
15、
16、其中,为第q个候选共振频带的共振中心频率,为该共振中心对应的半功率带宽,、分别为预设的衰减率下限与上限,clip()为限幅函数,欠阻尼冲击响应物理模板为因果形式,由指数衰减包络与正弦振荡分量相乘构成。
17、进一步,步骤s3中,动力学-拓扑映射具体为:在离散时间采样点上构造b样条基矩阵b与物理模板采样向量,通过带二阶差分正则项的最小二乘求解得到初始b样条系数,求解公式为:
18、
19、其中,为正则化系数,为二阶差分算子;将求解得到的b样条系数设置为可训练参数,由b样条表示的衰减包络函数与振荡函数相乘得到初始物理编译滤波核。
20、进一步,步骤s5中,滤波核物理特性约束损失包括相对核能量约束损失、带宽约束损失和物理参数可行域约束损失;
21、相对核能量约束损失采用相对于动力学-拓扑映射初始核能量的相对能量比,对低于能量下限或高于能量上限的物理编译滤波核施加铰链惩罚;
22、带宽约束损失包括归一化谱熵惩罚与带宽集中率惩罚,带宽集中率为物理编译滤波核在主频峰两侧预设频宽内的频谱能量占总频谱能量的比例;
23、物理参数可行域约束损失通过重参数化方式将衰减率与振荡角频率约束在预设物理可行区间内;
24、分阶段冻结-解冻策略依次包含:
25、第一阶段:冻结物理编译滤波模块的全部参数,训练kolmogorov-arnold表示模块与分类模块;
26、第二阶段:解冻物理编译滤波模块的衰减率与振荡角频率对应的参数,采用低于第一阶段的学习率进行训练;
27、第三阶段:解冻全部网络参数,采用不高于第二阶段的学习率进行端到端联合优化,基于验证集性能保存最优模型。
28、进一步,步骤s4中,注意力增强模块包括依次连接的通道注意力单元与时间注意力单元;
29、通道注意力单元对各物理编译滤波通道的滤波响应沿时间维执行全局平均池化与全局最大池化,经共享映射网络与sigmoid函数生成通道权重;
30、时间注意力单元对通道加权后的响应沿通道维执行平均池化与最大池化,经一维卷积与sigmoid函数生成时间位置权重。
31、进一步,步骤s4中,统计特征聚合模块针对每个物理编译滤波通道提取均值、标准差、方差、最大值、最小值、峰峰值、均方根、绝对均值、偏度、峭度、信号功率和绝对值之和共12项统计量,按通道顺序拼接形成统计特征向量;
32、特征标准化模块仅基于训练集的统计量计算各维度特征的均值与标准差,对所有输入信号执行z-score变换,将变换结果截断后线性缩放至[-1,1]区间。
33、进一步,步骤s4中,kolmogorov-arnold表示模块的输出由多个一元b样条边函数经稀疏门控系数加权求和得到,并通过乘法节点拟合多维度统计特征之间的乘性耦合关系,训练过程中通过稀疏损失对稀疏门控系数施加正则约束,训练完成后将小于预设阈值的稀疏门控系数对应连接删除或置零,得到稀疏决策路径;
34、步骤s6中,同步输出的可验证物理诊断证据还包括峰值对准误差、品质因数与模板相关度,峰值对准误差为物理编译滤波核频谱主峰与步骤s3中共振中心频率之间的频率差的绝对值,品质因数为频谱主峰频率与半功率带宽之比,模板相关度为训练后滤波核与经时移对准的欠阻尼冲击响应物理模板之间的最大归一化相关系数。
35、本发明还提供一种物理编译网络的滚动轴承故障诊断系统,用于执行上述的物理编译网络的滚动轴承故障诊断方法,包括:
36、振动信号采集模块,用于采集滚动轴承的振动信号,以原始采集记录为单元划分数据集并执行滑动窗口分段与标签配置,其输出端分别连接至谱证据分析模块和物理编译滤波模块;
37、谱证据分析模块,用于提取训练集振动信号的包络谱、谱峭度和局部谱能量,基于谱特征确定至少一个候选共振频带,其输出端连接至动力学-拓扑映射模块;
38、动力学-拓扑映射模块,用于根据候选共振频带构造欠阻尼冲击响应物理模板,并将物理模板转换为可训练的b样条系数,生成初始物理编译滤波核,其输出端连接至物理编译滤波模块;
39、物理编译滤波模块,包含多个初始物理编译滤波核,用于对输入振动信号进行多通道共振滤波,其输入端分别连接至振动信号采集模块的输出端和动力学-拓扑映射模块的输出端,其输出端连接至注意力增强模块;
40、注意力增强模块,用于对滤波后信号执行通道与时间维度的加权增强,其输入端连接至物理编译滤波模块的输出端,其输出端连接至统计特征聚合与标准化模块;
41、统计特征聚合与标准化模块,用于提取各通道信号的统计特征并执行归一化处理,其输入端连接至注意力增强模块的输出端,其输出端连接至kolmogorov-arnold表示模块;
42、kolmogorov-arnold表示模块,设有一元b样条边函数、稀疏门控连接与乘法节点,用于对归一化特征进行非线性映射,其输入端连接至统计特征聚合与标准化模块的输出端,其输出端连接至分类模块;
43、分类模块,用于输出故障类别诊断结果,其输入端连接至kolmogorov-arnold表示模块的输出端;
44、训练控制模块,用于基于包含分类损失、稀疏损失、滤波核物理特性约束损失与权重衰减损失的联合损失函数,采用分阶段冻结-解冻策略对网络参数进行训练,得到故障诊断模型,其分别与物理编译滤波模块、注意力增强模块、统计特征聚合与标准化模块、kolmogorov-arnold表示模块和分类模块连接;
45、证据输出模块,用于同步输出物理编译滤波核的时域形态、频域响应、共振特征参数以及稀疏决策路径中的至少一种可验证物理诊断证据,共振特征参数包括衰减率、共振中心频率和带宽集中率中的至少一种,其分别与物理编译滤波模块和kolmogorov-arnold表示模块连接。
46、与现有的技术相比,本发明的优点在于:
47、1.本发明通过动力学-拓扑映射将欠阻尼冲击响应的解析结构编译为可训练b样条滤波拓扑,使前端滤波核从具备明确共振中心与衰减语义的物理函数族出发优化,大幅缩小无约束随机搜索空间,有效避免核能量坍缩与频带漂移问题,将滤波核的参数更新直接对应于衰减率、共振中心等动力学参数的结构化调整,为诊断结果提供坚实的可追溯物理基础。
48、2.本发明通过包络谱、谱峭度与局部谱能量多维度谱特征构建候选共振频带,既支持结合轴承几何参数与转速构造特征频率邻域实现精准选带,也可在机械参数缺失场景下基于数据证据自适应确定频带,适配不同设备与工况场景,同时通过相对核能量约束、归一化谱熵约束、带宽集中率约束及参数可行域约束形成联合物理约束机制,在训练全程维持滤波核的物理语义一致性,保障共振频带选择的稳定性与有效性。
49、3.本发明通过物理编译滤波层、统计特征聚合与稀疏multkan网络构建全链路可追溯的诊断架构,将诊断决策路径与物理滤波通道、统计特征、b样条边函数及乘性耦合关系直接关联,无需依赖事后归因方法即可同步输出滤波核时频形态、衰减率、共振中心频率及稀疏决策路径等可量化物理证据,显著提升诊断结果的可验证性与工程实用性,适配工业现场的复核与运维需求。
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