类不均衡数据驱动的变工况装备关键部件故障诊断方法

本发明属于机电复杂装备中关键部件故障诊断领域的一种装备关键旋转部件故障智能诊断方法，涉及了一种类不均衡数据驱动的变工况装备关键部件故障诊断方法。

背景技术：

1、机电装备中的旋转部件在诸如先进轨道交通装备、航空发电机以及工业、农业设备等领域中发挥着举足轻重的作用。旋转部件极易发生磨损和表面损伤等故障，针对机电装备旋转部件的及时和实时故障诊断能为产线和设备极大减少维护和停机成本。在复杂工况下，诸如非恒定工况条件下，数据中包含的隐藏特征更复杂，浅层网络难以挖掘到足够的有效特征，而深层网络带来的网络参数的急剧增多也容易产生过拟合、训练时间增加等问题；在监测数据类型分布不均衡条件下，模型会学习到的先验性信息包括训练集中样本比例信息，以致实际预测时就会对多数类别有侧重，影响模型学习更本质的特征。因此，不考虑上述实际工程中常见情况的纯数据驱动的故障诊断方法往往鲁棒性和泛化性不高，针对复杂工况下的机电装备旋转部件端到端的故障诊断研究是十分有必要的。它能够保证机电设备的健康运转，实现故障提早发现，做到防患于未然。

2、在故障诊断领域，卷积神经网络因其并行计算，对硬件设备要求低，且对图像数据特征提取能力优秀的优势，在该领域获得了广泛的使用。传统的卷积神经网络通过增加层数来获得更强的分析能力，但随着深度的增加，梯度爆炸或梯度消失的现象就越来越严重，网络退化就越明显，严重影响网络的训练效果。同时，故障机电装备旋转部件的振动信号中存在一系列的脉冲响应，在较长的时间跨度内收集故障信息、捕捉信号中的长期依赖对于故障诊断而言十分重要。采用较小的卷积核的卷积网络，因其感受野大小受到限制，从而在长期依赖关系的学习上具有缺陷。单纯增大卷积核则会引入过多参数，极大增加计算负荷和计算时间。另一种增大感受野的常用方法为使用空洞卷积，空洞卷积可以扩大感受野，但由于其卷积核中存在零元素，可能会造成信息的丢失。最后，现有诊断方法往往需要对监测信号进行预处理进一步提取特征，无法实现端到端的诊断，这对追求实时监测的诊断趋势是不利的。

3、工业数据中样本类别分布不均匀问题广泛存在，针对这一问题，其解决方法主要从数据角度和算法角度出发。从数据角度出发，有扩大数据集、数据类别均衡采样等方法，但应用在实际工程中时，从根源上增加采样数量会导致生产中监测成本的增加，而数据类别均衡采样方法因极少样本数量的小样本类别的存在而导致整体样本数量不足，无法为数据驱动的故障诊断模型提供足量的数据。因此，从算法层面减少因数据样本不均衡导致的模型鲁棒性不足的问题，可以降低故障监测成本，使故障诊断更加便捷高效。

4、考虑到上述情况，提出一种类不均衡数据驱动的变工况装备关键部件故障诊断方法，解决针对机电装备旋转部件端故障诊断在实际工程中存在的针对常见类别不均衡数据分类效率低、精度偏差大的问题是非常重要的。

技术实现思路

1、针对背景技术中提到的问题，本发明提出了一种类不均衡数据驱动的变工况装备关键部件故障诊断方法，实现机电装备旋转部件监测数据类型不均衡、变工况条件下端到端的故障诊断，可广泛应用于实际工程中的机电装备旋转部件故障诊断中。

2、为实现上述功能，本发明的技术方案如下：

3、s1：采集机电装备关键部件的振动信号；

4、s2：对采集的振动信号预处理后，获得振动数据样本集；

5、s3：构建多尺度宽域卷积残差网络故障诊断模型，利用振动数据样本集对多尺度宽域卷积残差网络故障诊断模型进行训练，获得训练好的多尺度宽域卷积残差网络故障诊断模型；

6、s4：将待测的振动数据样本输入到训练好的多尺度宽域卷积残差网络故障诊断模型中，获得对应的诊断结果。

7、所述s1具体为：

8、在机电装备旋转部件上安装加速度传感器，在旋转部件正常及各故障状态运行下利用加速度传感器采集对应的振动信号。

9、所述s1中，振动信号包括水平与竖直两个方向上的振动信号。

10、所述多尺度宽域卷积残差网络故障诊断模型包括第一卷积层、第一批归一化层、第一激活层、展平层和多个多尺度宽域卷积残差块；多尺度宽域卷积残差网络故障诊断模型的输入作为第一卷积层的输入，第一卷积层经第一批归一化层后与第一激活层相连，第一激活层依次经多个级联的多尺度宽域卷积残差块后与展平层相连，展平层的输出作为多尺度宽域卷积残差网络故障诊断模型的输出。

11、所述多个多尺度宽域卷积残差块的结构相同，每个多尺度宽域卷积残差块包括宽域逐通道卷积局部特征增强块、第二卷积层、第二批归一化层、第二激活函数层、逐通道卷积层、第三批归一化层和第三激活函数层；多尺度宽域卷积残差块的输入作为宽域逐通道卷积局部特征增强块的输入，宽域逐通道卷积局部特征增强块依次经第二卷积层、第二批归一化层、第二激活函数层和逐通道卷积层后与第三批归一化层相连，第三批归一化层的输出与多尺度宽域卷积残差块的输入相加后再输入到第三激活函数层中，第三激活函数层的输出作为多尺度宽域卷积残差块的输出。

12、述宽域逐通道卷积局部特征增强块包括第一宽域逐通道卷积层、第四激活函数层、第二宽域逐通道卷积层和第五激活函数层；宽域逐通道卷积局部特征增强块的输入作为第一宽域逐通道卷积层的输入，第一宽域逐通道卷积层依次经第四激活函数层和第二宽域逐通道卷积层后与第五激活函数层相连，第五激活函数层的输出与宽域逐通道卷积局部特征增强块的输入逐元素相乘运算后的输出作为宽域逐通道卷积局部特征增强块的输出。

13、所述第一宽域逐通道卷积层和第二宽域逐通道卷积层中，卷积核尺寸k大于两倍变工况条件下最小旋转部件故障频率的倒数，具体公式如下所示：

14、

15、其中，fc为监测数据采集频率，tc为监测数据采集时长；ffailure为旋转部件故障频率。

16、所述s3中，多尺度宽域卷积残差网络故障诊断模型的训练过程中，优化器采用adam优化器。

17、所述s3中，多尺度宽域卷积残差网络故障诊断模型的训练过程中，对于类别不均衡的振动数据样本集，训练损失函数使用加权交叉熵函数。

18、所述s3中，多尺度宽域卷积残差网络故障诊断模型的训练过程中，对于多分类任务，输出层的激活函数选用softmax函数。

19、本发明首次应用逐通道卷积生成局部特征增强权重矩阵，在变工况下对原始监测数据利用较少训练参数实现局部特征空间上的特征增强，使深层故障特征更为凸显，为实现无特征预提取的端到端的故障诊断提供基础；使用宽域卷积核，结合故障旋转部件固有物理特征，在变工况条件下稳定囊括相邻脉冲包含的信息，实现变工况条件下有效特征信息的稳定抓取；使用加权交叉熵函数，在算法层面上轻量化地解决数据类别不均衡特性带来的准确度偏差问题；使用堆叠的多尺度宽域卷积残差块，增加网络深度，深度挖掘旋转部件故障特征信息，将提取到的特征映射到诊断结果上，实现变工况条件下的稳健、高效的机电装备关键部件故障诊断。

20、与现有的技术相比，本发明具有以下有益效果：

21、与传统的方法相比，本发明所提出的方法应用逐通道卷积生成局部特征增强权重矩阵，与注意力模型的“上下文关系建模”特性生成权重的方式相比，逐通道卷积以其数据归纳偏好特性可以更少量的原始样本实现挖掘出模型的潜力，训练更为稳定。在减少运算成本方面，逐通道卷积减少了网络参数数量，同时，整体网络模型中的残差结构与卷积固有的并行计算特性加速网络训练，减少运算时间，使机电装备旋转部件故障诊断更为及时、迅速。在变工况条件下，对训练样本敏感的纯数据驱动的机电装备旋转部件故障诊断方法往往泛化性和鲁棒性差，而设计并引入考虑故障旋转部件固有物理特征的宽域卷积核，稳定囊括在监测信号相邻脉冲间包含的信息，实现变工况条件下有效特征信息的稳定抓取。使用加权交叉熵函数作为训练损失函数，从算法层面减少因数据样本不均衡导致的模型鲁棒性不足的问题，可以降低故障监测成本，使故障诊断更加便捷高效。

22、本发明的方法考虑了当前工业界实际监测数据处于变工况下且类别不均衡的复杂现状，利用算法特性与信号物理特性相结合的方法，实现端到端的机电装备关键部件故障诊断，不仅具有理论创新性，而且具有很高的实用性。