一种基于因果特征对齐的声纹跨域故障诊断方法与流程

本发明涉及声纹故障诊断，具体为一种基于因果特征对齐的声纹跨域故障诊断方法。

背景技术：

1、在声纹故障诊断领域，基于声纹信号分析识别机械设备故障状态已得到广泛应用。实际工况下，设备运行环境、负载条件、传感器型号等变化会导致采集到的声纹数据分布发生偏移，形成跨域诊断问题。源域训练好的诊断模型直接应用于目标域时，分类精度会严重下降。

2、现有跨域故障诊断方法多依赖基于统计特征或深度特征的域适应技术。基于统计特征的方法从时域、频域提取均值、方差、峭度等参数，通过最大均值差异或相关对齐等准则拉近源域和目标域特征分布。这类方法所提取的特征受噪声干扰大，对声纹信号中隐含的相位信息和频率动态特性刻画不足，域对齐效果有限。基于深度特征的方法利用卷积神经网络或自编码器学习声纹表示，配合对抗训练或迁移学习策略实现域不变特征提取。然而，深度学习方法可解释性差，容易学习到与故障标签存在伪相关的非因果特征，当域偏移较大时，模型泛化性能急剧恶化。另外，现有特征对齐手段通常在原始特征空间或单一核空间内进行全局分布匹配，未考虑跨域特征之间协方差结构的细粒度差异，导致部分对域敏感的虚假相关性无法消除，难以在高维空间中实现精确的域不变映射。

3、在跨域声纹故障诊断中，需要解决以下问题：如何从非平稳声纹信号中提取能够刻画频率瞬时波动规律且对域变化保持鲁棒的结构化特征表示，如何建立基于因果关系的特征选择机制以剔除与域伪相关的成分，并在高维特征空间内实现协方差结构层面的精细对齐。

技术实现思路

1、本发明提供一种基于因果特征对齐的声纹跨域故障诊断方法，从声纹信号的相位动态特性出发，提取跨域可迁移的瞬时频率波动路径特征，并通过因果特征选择准则和高维空间协方差驱动对齐，在无目标域标签条件下实现精确的故障类别判定。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于因果特征对齐的声纹跨域故障诊断方法，通过从声纹信号中提取具有因果不变性的跨域特征，显著降低域间分布差异对诊断结果的影响，提高故障诊断模型在不同工况或设备条件下的迁移能力和稳定性。

3、获取源域有标签声纹样本和目标域无标签声纹样本后，依据各样本的声纹时序幅值分布，构建基于局部相位保持的多尺度递归图作为声纹初级表示。优选的，对每个声纹样本的原始时域信号进行分帧处理并归一化，得到归一化帧序列；对每一帧提取过零率、频谱质心和谱平坦度三种时频基础属性，拼接为属性向量；在同一故障类别下依据属性向量的欧氏距离确定代表性帧属性，并以该代表性帧属性对应的帧序号作为锚点帧序号。以锚点帧序号对应的帧为中心选取局部时段帧集合，对该集合中的每一帧进行短时傅里叶变换得到复频谱，提取相位谱构建汉克尔矩阵；对汉克尔矩阵进行奇异值分解，保留最大奇异值对应的左、右奇异向量重构相位保持矩阵，将该矩阵的对角线元素序列作为多尺度递归系数，从而在保留声纹局部相位结构的前提下获得多尺度递归图。该多尺度递归图能够充分表达声纹信号的非线性动态变化信息，且对噪声干扰具有较好的鲁棒性。

4、对声纹初级表示执行动态时间规整，获取每一频率通道在时间轴上的瞬时频率波动路径，并将该瞬时频率波动路径作为跨域可迁移的声纹结构特征。优选的，以多尺度递归系数为查询序列，以各频率通道的原始幅值序列为参考序列，计算两者之间的累积距离矩阵；在累积距离矩阵中从右下角向左上角回溯，记录回溯路径经过的每一个矩阵位置对应的频率索引和时间索引并组成配对序列；对配对序列中的相邻配对点进行差分运算，得到差分频率索引序列作为瞬时频率波动路径。该路径反映了声纹信号在不同频率通道上的瞬时频率弯曲规律，对域间变化具有天然的适应能力，有利于消除不同域之间的时序畸变。

5、根据瞬时频率波动路径，在源域和目标域之间构建因果特征选择准则，利用该因果特征选择准则从声纹结构特征中筛选出对域变化不敏感的稳定特征子集。优选的，计算源域中各样本的瞬时频率波动路径与对应故障类别标签之间的互信息值，得到源域互信息集合；计算目标域中各样本的瞬时频率波动路径与目标域样本索引之间的互信息值，得到目标域互信息集合；将源域互信息集合与目标域互信息集合按照频率通道维度逐元素相除，得到每一频率通道的互信息比值，将互信息比值大于预设比值阈值的频率通道对应的声纹结构特征归入稳定特征子集。这一过程剔除了仅与特定域相关的伪相关特征，保留下的特征子集在不同域中均与故障类别保持稳定的因果关系，有效提升了跨域诊断的泛化性能。

6、将稳定特征子集映射至高维希尔伯特空间，并在高维希尔伯特空间中对源域和目标域的分布进行协方差度量，依据协方差度量调整特征映射方向。优选的，选取高斯径向基函数作为核函数，依据稳定特征子集在源域中的均值向量和协方差矩阵确定核宽度参数；利用该参数分别计算源域稳定特征子集和目标域稳定特征子集的嵌入矩阵，并进行中心化处理；将源域中心化矩阵与其转置相乘得到源域协方差算子，将目标域中心化矩阵与其转置相乘得到目标域协方差算子；计算源域协方差算子的逆矩阵与目标域协方差算子的乘积矩阵，提取该乘积矩阵的特征值序列，以所有特征值平方和的开方值作为协方差度量值。预设允许偏差阈值，若协方差度量值大于该阈值，则沿使源域协方差算子与目标域协方差算子之间弗雷歇距离减小的方向旋转当前特征映射基向量；若小于或等于该阈值，则保持当前特征映射基向量不变，作为调整后的特征映射方向。该映射方向自适应地缩小了源域与目标域在再生核希尔伯特空间中的二阶统计量差异，使得不同域的分布在该映射方向上实现高阶矩对齐。

7、利用调整后的特征映射方向将稳定特征子集转换为因果对齐特征，并将因果对齐特征输入分类器输出故障类别。优选的，将稳定特征子集中的每一个样本向量与调整后的特征映射方向进行点积运算，得到投影标量，将所有样本向量的投影标量按原样本顺序排列成投影向量序列；对投影向量序列进行零均值化和单位方差化处理，得到因果对齐特征。分类器的决策边界初始化为源域中各故障类别的因果对齐特征均值之间的平分超平面，将因果对齐特征输入后计算其到每个平分超平面的带符号距离，选取带符号距离最大值对应的故障类别作为诊断结果。该过程使分类器直接在领域不变的特征空间中进行决策，显著提高了跨域声纹故障诊断的准确性和稳定性。

8、在上述技术方案中，本发明提供的技术效果和优点：

9、通过局部相位保持多尺度递归图结合动态时间规整，从声纹信号中构建出跨域可迁移的声纹结构特征。短时傅里叶变换的相位谱经汉克尔矩阵构造和奇异值分解后，重建的相位保持矩阵能够捕获信号在多个时间尺度上的递归行为，保留与故障状态本质相关的非线性相位动态。以此为基础执行动态时间规整，计算多尺度递归系数与各频率通道幅值序列之间的累积距离，提取回溯路径中的频率索引变化序列，得到瞬时频率波动路径。该路径直接反映了频率随时间变化的微观波动规律，对采集工况、环境噪声等域变化因素不敏感，能够在不同域之间形成一致的特征表达，避免统计特征或普通频谱特征在域偏移下发生畸变。

10、利用瞬时频率波动路径构建因果特征选择准则，并联合高维希尔伯特空间中的协方差度量调整特征映射方向，实现因果驱动的域不变特征对齐。计算源域瞬时频率波动路径与故障标签之间的互信息，同时计算目标域特征与样本索引之间的互信息，按频率通道逐元素求取互信息比值，选取比值高于预设阈值的成分构成稳定特征子集。该比值能够抑制与域分布强相关而与故障类别呈弱因果关联的通道，仅保留对故障标签具有稳定因果解释力的频率成分，消除跨域伪相关的干扰。在映射至高维希尔伯特空间后，使用源域和目标域协方差算子的乘积矩阵特征值构造协方差度量值，通过比较该度量值与允许偏差阈值，沿弗雷歇距离减小方向旋转特征映射基向量，使源域和目标域在二阶统计特性上实现精细化对齐，而非仅在均值层面匹配分布。由此生成的因果对齐特征对于域偏移表现出高度不变性，输入分类器后能够大幅降低跨域诊断错误率。