本發(fā)明涉及旋轉(zhuǎn)機械智能診斷，尤其是一種旋轉(zhuǎn)機械未知工況下的魯棒故障診斷方法。

背景技術(shù)：

1、旋轉(zhuǎn)機械，包括齒輪箱、軸承等，是工業(yè)生產(chǎn)中的關(guān)鍵部件，其健康狀態(tài)對生產(chǎn)線的連續(xù)性和產(chǎn)品質(zhì)量具有深遠影響。然而，環(huán)境因素和運行條件的波動常常導(dǎo)致旋轉(zhuǎn)機械的工作狀態(tài)復(fù)雜多變，進而影響其性能和使用壽命。因此，旋轉(zhuǎn)機械工作狀態(tài)的實時監(jiān)測和精準(zhǔn)故障診斷，對于推行預(yù)防性維護和提升設(shè)備可靠性至關(guān)重要。

2、近年來，基于學(xué)習(xí)的方法在故障診斷領(lǐng)域中得到了廣泛的運用。例如，文獻cn113312719a，“基于類別不平衡權(quán)重交叉熵的旋轉(zhuǎn)機械故障診斷方法”，通過先構(gòu)建并訓(xùn)練稀疏自編碼器模型，然后使用模型生成樣本的方式，在一定程度上解決了樣本出現(xiàn)類別不平衡問題。但僅在擁有該工況下的數(shù)據(jù)樣本的情況下才能使用，當(dāng)需要故障診斷的工況與其他工況不相同時，無法使用。又例如，文獻cn?117909800a，“基于可解釋的隱式擴散模型的旋轉(zhuǎn)機械設(shè)備故障診斷方法”，先將故障振動信號數(shù)據(jù)進行預(yù)處理，然后訓(xùn)練一個可解釋的隱式擴散模型，之后根據(jù)已有的故障振動信號和故障類別，通過隱式擴散模型對原有故障振動信號樣本下的振動數(shù)據(jù)集進行增廣擴充，最后訓(xùn)練一個基于神經(jīng)網(wǎng)絡(luò)的故障診斷模型。該方法通過生成樣本的方式，對已知工況中數(shù)據(jù)量較少的故障類別進行生成，進而提升模型在故障診斷時的性能，但是該方法沒有關(guān)注到工況之間數(shù)據(jù)的特征關(guān)系，在完全沒有某個工況數(shù)據(jù)的情況下，無法實現(xiàn)對該工況下的旋轉(zhuǎn)機械進行故障診斷任務(wù)。

3、由此可見，現(xiàn)有的旋轉(zhuǎn)機械故障檢測方法通常需要依賴已知工況下大量數(shù)據(jù)，通過對該工況數(shù)據(jù)的深入挖掘分析，才能實現(xiàn)旋轉(zhuǎn)機械在已知工況下故障的準(zhǔn)確識別。

4、但在實際應(yīng)用中，故障診斷模型的訓(xùn)練數(shù)據(jù)通常是有限的，僅能采集到旋轉(zhuǎn)機械在常用工況下的故障數(shù)據(jù)。此時，用常用工況下的故障數(shù)據(jù)訓(xùn)練得到的故障診斷模型，用來識別未知工況數(shù)據(jù)時，會出現(xiàn)識別準(zhǔn)確率下降的問題；當(dāng)工況差距巨大時，甚至?xí)霈F(xiàn)模型無法使用的情況。另外，當(dāng)模型的訓(xùn)練次數(shù)過少或訓(xùn)練使用的數(shù)據(jù)過少，模型可能出現(xiàn)欠擬合現(xiàn)象，當(dāng)模型的訓(xùn)練次數(shù)過多或訓(xùn)練使用的數(shù)據(jù)過多，模型可能出現(xiàn)過擬合現(xiàn)象。

技術(shù)實現(xiàn)思路

1、因此，針對現(xiàn)有技術(shù)存在的缺陷和不足，本發(fā)明提供了一種旋轉(zhuǎn)機械未知工況下的魯棒故障診斷方法，包括：對運維數(shù)據(jù)庫中的振動信號數(shù)據(jù)進行特征提取、工況信息特征編碼和工作狀態(tài)特征編碼，得到數(shù)據(jù)樣本；使用數(shù)據(jù)樣本對條件自動擴散模型進行訓(xùn)練，得到條件自動擴散模型；對于任意一種未知工況樣本，使用條件自動擴散模型進行旋轉(zhuǎn)機械在未知工況下各種工作狀態(tài)的振動數(shù)據(jù)樣本的生成；使用數(shù)據(jù)樣本訓(xùn)練故障診斷模型，得到已知工況故障診斷模型；使用fgsm方法依據(jù)已知工況故障診斷模型生成已知工況的對抗數(shù)據(jù)樣本；使用運維數(shù)據(jù)庫中的振動信號樣本、生成的對抗數(shù)據(jù)樣本和生成的振動信號樣本進行故障診斷模型的訓(xùn)練，得到旋轉(zhuǎn)機械未知工況故障診斷模型。該方法有利于準(zhǔn)確、有效地對旋轉(zhuǎn)機械未知工況工作狀態(tài)進行診斷。

2、其具體采用以下技術(shù)方案：

3、一種旋轉(zhuǎn)機械未知工況下的魯棒故障診斷方法：首先，以型號相同或相近的旋轉(zhuǎn)機械的監(jiān)測數(shù)據(jù)構(gòu)建運維數(shù)據(jù)庫；使用所述運維數(shù)據(jù)庫中的數(shù)據(jù)進行模型訓(xùn)練所需數(shù)據(jù)集的構(gòu)建；并使用構(gòu)建的數(shù)據(jù)集訓(xùn)練條件擴散模型生成模型和已知工況故障診斷模型；然后，使用所述條件擴散模型生成出旋轉(zhuǎn)機械在未知工況條件下工作時的各種工作狀態(tài)數(shù)據(jù)；并使用所述已知工況故障診斷模型和運維數(shù)據(jù)庫中的數(shù)據(jù)生成已知工況的對抗樣本；接著，使用生成的未知工況數(shù)據(jù)、生成的對抗樣本數(shù)據(jù)和運維數(shù)據(jù)庫中的數(shù)據(jù)訓(xùn)練故障診斷模型；最后使用訓(xùn)練完成的故障診斷模型對旋轉(zhuǎn)機械在未知工作條件下的工作狀態(tài)進行故障診斷。

4、其中，旋轉(zhuǎn)機械包括齒輪箱、軸承等；檢測數(shù)據(jù)包括旋轉(zhuǎn)機械工況信息、旋轉(zhuǎn)機械的歷史振動信號及其對應(yīng)的工作狀態(tài)。

5、進一步地，通過運維數(shù)據(jù)庫中的數(shù)據(jù)訓(xùn)練故障診斷模型的具體方法如下：

6、從運維數(shù)據(jù)庫中取出若干數(shù)據(jù)，至少包括：在k個不同工況下，對旋轉(zhuǎn)機械處于包括正常和s-1個故障共s個工作狀態(tài)時傳感器采集到的振動信號數(shù)據(jù)mk,s＝[m0,m1,...,mp-1]，其中，p表示振動信號采樣點的個數(shù)；使用標(biāo)簽編碼對信號m對應(yīng)的工況信息進行編碼得到工況信息特征編碼c；

7、然后，使用獨熱編碼對信號m的工作狀態(tài)進行編碼得到工作狀態(tài)特征編碼y＝[q0,q1,...,qs-1]；

8、設(shè)工作狀態(tài)為s，則

9、再使用快速傅里葉變換k＝0,1,2,...,p-1對信號mk,s進行特征提取得到信號特征向量x；將第i個工況信息特征編碼、工作狀態(tài)特征編碼和信號特征向量組合，構(gòu)建得到訓(xùn)練數(shù)據(jù)樣本，記為d＝[xi,yi,ci]，其中，xi,yi,ci分別表示第i條訓(xùn)練數(shù)據(jù)的旋轉(zhuǎn)機械的頻域信號特征向量，旋轉(zhuǎn)機械的工作狀態(tài)特征編碼，旋轉(zhuǎn)機械的工況信息特征編碼。

10、進一步地，當(dāng)對旋轉(zhuǎn)機械的工作轉(zhuǎn)速等具有數(shù)值的信息進行編碼時，直接將數(shù)值置入編碼c中，當(dāng)對是否負(fù)載等不具有數(shù)值的信息進行編碼時，直接采用0或1進行編碼。

11、進一步地，所述條件擴散模型包括：編碼器模塊encoder()，解碼器模塊decoder()，工況信息特征編碼模塊clip()和擴散模型模塊diffuison()；

12、所述編碼器模塊從輸入向量中提取特征，將輸入向量轉(zhuǎn)換成一個潛在表示空間中的特征向量；編碼器模塊的計算式為：zi,0＝encoder(xi)，其中xi表示第i條數(shù)據(jù)的旋轉(zhuǎn)機械的頻域信號特征向量，zi,0表示未加噪時的第i條數(shù)據(jù)轉(zhuǎn)換后的潛在表示空間的特征向量；

13、所述解碼器模塊用于將一個處于潛在表示空間中的特征向量轉(zhuǎn)換成頻域空間中頻域特征向量，計算式為：其中，表示需要解碼的潛在表示空間的特征向量，表示解碼后的頻域空間的特征向量；

14、所述工況信息特征編碼模塊用于將輸入的工況信息向量轉(zhuǎn)換成一個高維向量，輸入到擴散模型模塊中；工況信息特征編碼模塊的計算式為：yi,high＝clip(yi,ci)，其中，yi表示第i條數(shù)據(jù)的工作狀態(tài)特征編碼，ci表示第i條數(shù)據(jù)的工況信息特征編碼，yi,high表示第i條數(shù)據(jù)的工況信息高維空間特征向量；

15、所述擴散模型模塊包含加噪過程addnoise()和去噪過程denoise()：其中；加噪過程通過在潛在表示空間的特征數(shù)據(jù)上逐步添加噪聲以模擬數(shù)據(jù)的退化過程，加噪過程計算式為：zi,t＝addnoise(zi,0,yi,high,t)，t表示加噪過程重復(fù)的次數(shù)，zi,t表示加噪t次后得到的第i條數(shù)據(jù)的潛在表示空間的特征向量；去噪過程通過將退化后的數(shù)據(jù)進行逐步去噪以還原加噪前的數(shù)據(jù)，去噪過程計算式為：t表示與加噪過程重復(fù)的次數(shù)相同的去噪過程重復(fù)的次數(shù)。

16、進一步地，使用運維數(shù)據(jù)庫中地數(shù)據(jù)進行條件擴散模型地訓(xùn)練具體為：在訓(xùn)練條件擴散模型時，先使用損失函數(shù)計算編碼器模塊和解碼器模塊的損失；使用隨機梯度下降方法對條件擴散模型模型的參數(shù)進行更新其中w1,t，w1,t+1分別表示條件擴散模型模型模型更新t次和t+1次時的權(quán)重參數(shù)，η1是條件擴散模型模型權(quán)重更新的學(xué)習(xí)率，是損失函數(shù)l關(guān)于w1,t的梯度；當(dāng)更新次數(shù)b1后，認(rèn)為編碼器模塊和解碼器模塊已訓(xùn)練收斂；然后訓(xùn)練模型的擴散模型模塊和工況信息特征編碼模塊；使用損失函數(shù)計算損失，其中，表示計算期望，εt表示第t次加噪時的噪聲向量，zi,t表示去噪第t次后得到的潛在空間特征向量，t表示當(dāng)前去噪的次數(shù)，εθ(zi,t,t,yi,high)表示去噪過程中模型預(yù)測的噪聲；使用隨機梯度下降方法對模型的參數(shù)進行更新；當(dāng)更新次數(shù)b2后，認(rèn)為編碼器模塊和解碼器模塊已訓(xùn)練收斂，條件擴散模型訓(xùn)練完成。

17、進一步地，使用條件擴散模型進行不同工況下，旋轉(zhuǎn)機械振動信號樣本的生成具體為：將工作狀態(tài)特征編碼yε和未知工況u的工況信息特征編碼cn輸入到條件擴散模型的工況信息特征編碼模塊中，并隨機生成一個高斯噪聲zε輸入到擴散模型模塊中，使用擴散模型的去噪過程根據(jù)工況信息特征編碼模塊的輸出，生成新的潛在空間的特征樣本；使用模型的解碼器模塊將生成的潛在空間特征樣本解碼成頻域空間的特征樣本；重復(fù)以上過程直到生成樣本數(shù)達到預(yù)設(shè)值r，完成未知工況數(shù)據(jù)的生成工作，將生成的數(shù)據(jù)記為完成數(shù)據(jù)生成工作后，使用運維數(shù)據(jù)庫中的數(shù)據(jù)d和生成數(shù)據(jù)進行故障診斷模型的訓(xùn)練。

18、進一步地，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型作為已知工況故障診斷模型，該模型的前向傳播公式為：其中f(),x,w2分別表示已知工況故障診斷模型的映射函數(shù)，已知工況故障診斷模型的輸入向量，已知工況故障診斷模型的權(quán)重參數(shù)；表示故障診斷模型的預(yù)測向量；將運維數(shù)據(jù)庫中的數(shù)據(jù)d作為已知工況故障診斷模型的訓(xùn)練數(shù)據(jù)，使用交叉熵函數(shù)作為故障診斷模型的損失函數(shù)計算模型的預(yù)測損失；

19、使用帶動量的隨機梯度下降方法對已知工況故障診斷模型參數(shù)進行更新其中vt表示已知工況故障診斷模型更新過程中的歷史梯度的累計，a表示動量系數(shù)，w2,t表示已知工況故障診斷模型更新t次時的權(quán)重參數(shù)，η2是已知工況故障診斷模型的學(xué)習(xí)率，是對損失函數(shù)lcrossentropy關(guān)于w2,t的梯度；當(dāng)已知工況故障診斷模型的權(quán)重參數(shù)在模型訓(xùn)練中更新次數(shù)b后，認(rèn)為已知工況故障診斷模型已收斂，即已知工況故障診斷模型已完成訓(xùn)練。

20、進一步地，使用基于梯度的對抗樣本生成算法fgsm進行對抗樣本的生成,將所有數(shù)據(jù)庫中的樣本依次通過fgsm算法生成對抗樣本，記生成的對抗樣本數(shù)據(jù)為d′。

21、對于fgsm算法，計算公式為：其中x′,x分別表示已知工況模型的輸入向量和該輸入向量對應(yīng)生成的對抗樣本，表示已知工況診斷模型的交叉熵?fù)p失函數(shù)關(guān)于模型輸入向量的梯度，∈表示生成的對抗樣本的擾動的大小，通常需要進行調(diào)試以找到合適的值，sign()函數(shù)返回梯度的符號(正或負(fù))，用于確定擾動的方向。

22、進一步地，基于與已知工況故障診斷模型相同的未知工況故障診斷模型，利用運維數(shù)據(jù)庫中的數(shù)據(jù)d、生成的對抗樣本數(shù)據(jù)d′和生成模型的生成數(shù)據(jù)作為故障診斷模型的訓(xùn)練數(shù)據(jù)對未知工況故障診斷模型進行訓(xùn)練，以獲得最終的故障診斷模型。

23、進一步地，故障診斷模型訓(xùn)練完成后，將當(dāng)旋轉(zhuǎn)機械處于未知工況u時，采集得到的傳感器數(shù)據(jù)輸入到故障診斷模型后，得到故障診斷模型對于旋轉(zhuǎn)機械在未知工況條件u下的故障診斷結(jié)果

24、以及，一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：在運行時使用如上所述的一種旋轉(zhuǎn)機械未知工況下的魯棒故障診斷方法。

25、相比于現(xiàn)有技術(shù)，本發(fā)明及其優(yōu)選方案依托旋轉(zhuǎn)機械已知工況數(shù)據(jù)，實現(xiàn)了對其在未知工況下多種工作狀態(tài)的信號的生成，為未知工況故障診斷模型的訓(xùn)練提供了重要的數(shù)據(jù)支撐。且通過對已知工況的故障診斷模型進行白盒攻擊，進而使用生成的對抗樣本對模型進行訓(xùn)練，以得到一個更為魯棒性的模型。通過該方法，運維人員能夠根據(jù)旋轉(zhuǎn)機械的故障診斷結(jié)果，采取精確的運維策略，促進了旋轉(zhuǎn)機械智能運維的進步。本發(fā)明在評估旋轉(zhuǎn)機械未知工況工作狀態(tài)的過程中，無需借助旋轉(zhuǎn)機械在未知工況下的運行數(shù)據(jù)，這使得本發(fā)明能夠在一定程度上解決，各種工況下旋轉(zhuǎn)機械的各種工作狀態(tài)的數(shù)據(jù)難以采集導(dǎo)致的，模型難以適應(yīng)各種工況的問題。其至少具備以下有益效果：

26、一、采用的條件擴散模型技術(shù)能夠深入分析和理解運維數(shù)據(jù)庫中關(guān)于旋轉(zhuǎn)機械在不同工況和工作狀態(tài)下的傳感器信號特征。通過對比和學(xué)習(xí)，條件擴散模型能夠生成旋轉(zhuǎn)機械在未知工況下的不同工作狀態(tài)的振動模擬信號，為故障診斷模型的訓(xùn)練提供了寶貴的補充數(shù)據(jù)。且本發(fā)明使用對抗樣本進行模型的訓(xùn)練，能夠使得模型更具有魯棒性。從工程實踐的角度來看，本發(fā)明拓展了故障診斷模型對未知工況的處理能力，這極大地提高了對旋轉(zhuǎn)機械工作狀態(tài)模式識別的準(zhǔn)確性。這種擴展使得運維人員能夠更全面地評估設(shè)備的健康狀況，從而提前預(yù)防潛在問題，有助于推動旋轉(zhuǎn)機械運維技術(shù)的持續(xù)發(fā)展。

27、二、在實際應(yīng)用中，本發(fā)明的另一大優(yōu)勢在于其對數(shù)據(jù)的高效利用。通過充分利用運維數(shù)據(jù)庫中的信息，能夠有效地生成未知工況下的振動信號，從而降低了故障診斷模型對實際測量數(shù)據(jù)的依賴；通過在訓(xùn)練故障診斷模型的數(shù)據(jù)中加入對抗樣本，減少模型出現(xiàn)過擬合現(xiàn)象，進而使得模型更具有魯棒性。這對于那些存在潛在經(jīng)濟損失風(fēng)險的設(shè)備而言，意味著在減少實際故障樣本的采集成本的同時，依然能夠保證診斷的準(zhǔn)確性和效率，降低了維護成本，提高了設(shè)備的可用性。

28、三、與基于遷移學(xué)習(xí)的故障診斷模型相比，本發(fā)明在模型的遷移適應(yīng)性上具有顯著優(yōu)勢。它無需額外獲取或測量未知工況的數(shù)據(jù)，直接提升了模型的通用性和實用性，簡化了操作流程，提高了技術(shù)的靈活性。這使得運維人員能夠更快地將新技術(shù)應(yīng)用到實際工作中，降低了技術(shù)實施的復(fù)雜性，從而提升了整體運維的效率。