基于数模联动的机械故障诊断方法及装置发明专利

专利名称：基于数模联动的机械故障诊断方法及装置

专利类型：发明专利

专利申请号：CN202410939862.4

专利申请（专利权）人：本溪钢铁(集团)信息自动化有限责任公司
权利人地址：辽宁省本溪市平山区广裕路130号

专利发明（设计）人：张剑,史晓奇,万强,王方,刘淑杰,李宏坤,孙斌,史洪波,常学丰,崔瑞平,马若晨,马熇阳

专利摘要：本发明提供一种基于数模联动的机械故障诊断方法及装置，通过基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，基于故障诊断模型的多尺度空间特征提取模块，提取相应样本降噪振动数据的空间维度特征，基于故障诊断模型的时间特征提取模块，提取相应样本降噪振动数据的多维度特征，然后基于故障诊断模型的分类模块，获取相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对故障诊断模型进行参数更新，从而可以基于训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到待诊断设备的故障诊断结果，提升了机械故障诊断的效率和精度。

主权利要求：
1.一种基于数模联动的机械故障诊断方法，其特征在于，包括：
获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；
基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；
基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；
基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果；
所述基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，包括：对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵；
将所述任一样本振动信号的二维增强信号矩阵展开为一维数据，得到所述任一样本振动信号的一维去噪振动数据；
对所述任一样本振动信号的一维去噪振动数据进行标准化处理，得到所述任一样本振动信号对应的样本降噪振动数据；
所述对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵，包括：基于如下公式对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算：其中，X为所述任一样本振动信号的二维初始矩阵，XE为所述任一样本振动信号的二维增强信号矩阵；
所述基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，包括：基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射；
基于所述多尺度空间特征提取模块中的卷积神经网络层，对所述任一样本降噪振动数据的多尺度特征映射进行特征提取，得到所述任一样本降噪振动数据的空间维度特征；
所述基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射，包括：基于尺度因子和平移因子对应的多种不同的数值组合，初始化得到多种不同的Morlet小波；
分别基于所述多种不同的Morlet小波与所述任一样本降噪振动数据进行卷积运算后进行特征融合，得到所述任一样本降噪振动数据的多尺度特征映射。
2.根据权利要求1所述的基于数模联动的机械故障诊断方法，其特征在于，所述故障诊断模型的时间特征提取模块是基于门控递归单元构建的。
3.根据权利要求1或2所述的基于数模联动的机械故障诊断方法，其特征在于，所述基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果，之后还包括：若所述待诊断设备的故障诊断结果指示所述待诊断设备存在故障，则基于所述待诊断设备的振动信号和故障诊断结果对所述训练好的故障诊断模型进行参数更新。
4.一种基于数模联动的机械故障诊断装置，其特征在于，包括：
数据降噪单元，用于获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；
多维度特征提取单元，用于基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；
模型参数更新单元，用于基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；
机械故障诊断单元，用于基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果；
所述基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，包括：对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵；
将所述任一样本振动信号的二维增强信号矩阵展开为一维数据，得到所述任一样本振动信号的一维去噪振动数据；
对所述任一样本振动信号的一维去噪振动数据进行标准化处理，得到所述任一样本振动信号对应的样本降噪振动数据；
所述对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵，包括：基于如下公式对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算：其中，X为所述任一样本振动信号的二维初始矩阵，XE为所述任一样本振动信号的二维增强信号矩阵；
所述基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，包括：基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射；
基于所述多尺度空间特征提取模块中的卷积神经网络层，对所述任一样本降噪振动数据的多尺度特征映射进行特征提取，得到所述任一样本降噪振动数据的空间维度特征；
所述基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射，包括：基于尺度因子和平移因子对应的多种不同的数值组合，初始化得到多种不同的Morlet小波；
分别基于所述多种不同的Morlet小波与所述任一样本降噪振动数据进行卷积运算后进行特征融合，得到所述任一样本降噪振动数据的多尺度特征映射。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述基于数模联动的机械故障诊断方法。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于数模联动的机械故障诊断方法。 说明书 : 基于数模联动的机械故障诊断方法及装置技术领域[0001] 本发明涉及故障诊断技术领域，尤其涉及一种基于数模联动的机械故障诊断方法及装置。背景技术[0002] 机械装备因制造误差、初始安装偏差、润滑不良等基础因素，以及装备服役过程中的材料退化、疲劳磨损和环境腐蚀等因素的综合作用，性能衰退以及设备故障难以避免。传统利用塞尺、内窥镜、测振仪等工具完成简单测量与记录的定检维修策略，已经难以满足设备智能化运维的发展要求。[0003] 通过在机械设备上布置振动、温度、电压、电流等传感器，能够获取与设备运行状态相关的实时参数。然而，传感器的大面积铺设虽然能够获得更全面的设备信息、提升设备的状态透明度，同时也产生了秒级的海量数据，难以利用传统分析方法和人工离线方式实现高效、实时、准确地处理。发明内容[0004] 本发明提供一种基于数模联动的机械故障诊断方法及装置，用以解决现有技术中故障诊断效率和准确性欠佳的缺陷。[0005] 本发明提供一种基于数模联动的机械故障诊断方法，包括：[0006] 获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；[0007] 基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；[0008] 基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；[0009] 基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0010] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，包括：[0011] 对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵；[0012] 将所述任一样本振动信号的二维增强信号矩阵展开为一维数据，得到所述任一样本振动信号的一维去噪振动数据；[0013] 对所述任一样本振动信号的一维去噪振动数据进行标准化处理，得到所述任一样本振动信号对应的样本降噪振动数据。[0014] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵，包括：[0015] 基于如下公式对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算：[0016][0017] 其中，X为所述任一样本振动信号的二维初始矩阵，XE为所述任一样本振动信号的二维增强信号矩阵。[0018] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，包括：[0019] 基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射；[0020] 基于所述多尺度空间特征提取模块中的卷积神经网络层，对所述任一样本降噪振动数据的多尺度特征映射进行特征提取，得到所述任一样本降噪振动数据的空间维度特征。[0021] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射，包括：[0022] 基于尺度因子和平移因子对应的多种不同的数值组合，初始化得到多种不同的Morlet小波；[0023] 分别基于所述多种不同的Morlet小波与所述任一样本降噪振动数据进行卷积运算后进行特征融合，得到所述任一样本降噪振动数据的多尺度特征映射。[0024] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述故障诊断模型的时间特征提取模块是基于门控递归单元构建的。[0025] 根据本发明提供的一种基于数模联动的机械故障诊断方法，所述基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果，之后还包括：[0026] 若所述待诊断设备的故障诊断结果指示所述待诊断设备存在故障，则基于所述待诊断设备的振动信号和故障诊断结果对所述训练好的故障诊断模型进行参数更新。[0027] 本发明还提供一种基于数模联动的机械故障诊断装置，包括：[0028] 数据降噪单元，用于获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；[0029] 多维度特征提取单元，用于基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；[0030] 模型参数更新单元，用于基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；[0031] 机械故障诊断单元，用于基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0032] 本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于数模联动的机械故障诊断方法。[0033] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于数模联动的机械故障诊断方法。[0034] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于数模联动的机械故障诊断方法。[0035] 本发明提供的基于数模联动的机械故障诊断方法及装置，通过获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，利用故障振动信号周期自相似性特点，增强周期性冲击成分、提高信号的信噪比，降低原始输入信号中噪声和其他无关成分的干扰，为提升故障诊断模型的准确率奠定了基础；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，提取出振动信号中与故障相关的冲击成分，实现故障特征的多尺度精确提取；基于故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征，能在时间维度提取丰富的信号特征，保障故障特征提取的完整性；然后基于故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对故障诊断模型进行参数更新，得到训练好的故障诊断模型，从而可以基于训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到待诊断设备的故障诊断结果，提升了机械故障诊断的效率和精度。附图说明[0036] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0037] 图1是本发明提供的基于数模联动的机械故障诊断方法的流程示意图；[0038] 图2是本发明提供的机械故障模拟实验台的结构示意图；[0039] 图3为本发明提供的不同运行工况下的样本振动信号的波形图；[0040] 图4是本发明提供的降噪处理方法的流程示意图；[0041] 图5是本发明提供的基于数模联动的机械故障诊断装置的结构示意图；[0042] 图6是本发明提供的电子设备的结构示意图。具体实施方式[0043] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0044] 图1是本发明提供的基于数模联动的机械故障诊断方法的流程示意图，如图1所示，该方法包括：[0045] 步骤110，获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；[0046] 步骤120，基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；[0047] 步骤130，基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；[0048] 步骤140，基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0049] 此处，本发明实施例提供了一种基于数模联动的机械故障诊断方法，其中，数模联动中的“数”是指能够表征设备运行信息的振动数据，“模”是指基于深度学习理论构建的故障诊断模型，构建“模”学习“数”与设备本质状态的潜在映射关系，借助“数”完成“模”的训练过程并验证其诊断可行性与可靠性，同时在“数”产生变化时动态更新“模”，通过两者之间的联动完成设备状态信息的识别与故障诊断。[0050] 其中，在模型训练阶段，可以在样本设备表面安装传感器，获取样本设备在不同运行工况下的样本振动信号，同时获取各个样本设备在相应运行工况下的故障标签，从而构建故障诊断数据库。其中，故障标签可以表示相应样本设备在相应运行工况下是否存在故障，也可以表示相应样本设备在相应运行工况下对应的故障类型，本发明实施例对此不作具体限定。[0051] 在一些实施例中，可以搭建如图2所示的机械故障模拟实验台。该实验台主要由电机1、联轴器Ⅰ2、行星齿轮箱3、联轴器Ⅱ4、轴承5、联轴器Ⅲ6、磁粉制动器7、磁粉制动器安装底座8、轴承安装底座9、齿轮箱安装底座10、电机安装底座11以及实验平台减震底座12等组成。随后，可以在行星轴承、行星轮和太阳轮三个主要零件上以线切割的方式人工植入缺陷，分别形成无故障、行星轴承外圈故障、行星轴承滚动体故障、行星轮磨损、行星轮断齿、行星轮裂纹、太阳轮剥落、太阳轮裂纹、太阳轮缺齿共9种运行工况，模拟行星齿轮箱可能出现的故障。通过依次将各种人工植入缺陷缺陷的零件安装在行星齿轮箱3中，并在行星齿轮箱3正上方安装加速度传感器，设置采样频率为12800Hz，获取不同健康状态下的样本振动信号，并结合故障标签构建故障诊断数据库。在一些实施例中，在各运行工况下可以分别采集300组样本振动信号，形成9×300的故障诊断数据库。[0052] 图3为不同运行工况下的样本振动信号的波形图。图3中，(a)为无故障信号的时域波形、(b)为行星轴承外圈故障信号的时域波形、(c)为行星轴承滚动体故障信号的时域波形、(d)为行星轮磨损信号的时域波形、(e)为行星轮断齿信号的时域波形、(f)为行星轮裂纹信号的时域波形、(g)为太阳轮剥落信号的时域波形、(h)为太阳轮裂纹信号的时域波形、(i)为太阳轮缺齿信号的时域波形。[0053] 采用比例划分方式，将故障诊断数据库中的数据划分为训练数据集和验证数据集，例如可以采用7：3的比例对数据进行划分，即随机选取故障数据库中70%的数据作为训练数据集，剩余30%数据作为验证数据集。因此，各运行工况均有210组样本振动信号作为训练数据，90组样本振动信号作为验证数据。随后，配置故障诊断模型的网络参数，例如设定模型训练次数为200，优化器使用Adam，初始学习率设置为0.001，损失函数使用交叉熵损失，并利用划分后的训练数据集对故障诊断模型开展训练。[0054] 训练过程中，可以采用格莱姆矩阵（GramianMatrix）降噪策略，对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，将各个样本降噪振动数据作为故障诊断模型的输入数据。其中，格莱姆矩阵降噪策略利用故障振动信号的周期自相似性特点，通过格莱姆矩阵乘法运算，在无需引入其他参数的条件下降低原始输入信号中噪声和其他无关成分的干扰，提高信号的信噪比、增强周期性冲击成分，改善了传统卷积神经网络缺乏去噪结构的不足。[0055] 在一些实施例中，如图4所示，可以采用如下方式对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据：[0056] 步骤410，对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵；[0057] 步骤420，将所述任一样本振动信号的二维增强信号矩阵展开为一维数据，得到所述任一样本振动信号的一维去噪振动数据；[0058] 步骤430，对所述任一样本振动信号的一维去噪振动数据进行标准化处理，得到所述任一样本振动信号对应的样本降噪振动数据。[0059] 具体而言，可以将一维的样本振动信号x=[x1,x2, ... ,xL]∈RL按照先行后m×n列的主行方式，整形为二维初始矩阵X∈R ：[0060][0061] 其中，L为一维的样本振动信号x的总长度，m、n分别为二维初始矩阵X的行维度与列维度，且L=mn。[0062] 随后，对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到该样本振动信号的二维增强信号矩阵。在一些实施例中，可以基于如下公式对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算：[0063][0064] 其中，X为该样本振动信号的二维初始矩阵，XE为该样本振动信号的二维增强信号矩阵。[0065] 将二维增强信号矩阵XE按照与上述先行后列的主行方式相反的过程，展开为一维去噪振动数据xe：[0066][0067] 其中，flatten()表示将矩阵按主行顺序展开为一维数据。[0068] 接着对该样本振动信号的一维去噪振动数据进行标准化处理，得到该样本振动信号对应的样本降噪振动数据xg：[0069][0070] 其中，mean(·)、std(·)分别表示求均值和标准差。[0071] 将上述步骤得到的样本降噪振动数据xg，输入到故障诊断模型中。其中，故障诊断模型包括多尺度空间特征提取模块、时间特征提取模块以及分类模块。将样本降噪振动数据xg输入到故障诊断模型的多尺度空间特征提取模块后，多尺度空间特征提取模块可以对样本降噪振动数据进行多尺度的空间维度的特征提取，得到该样本降噪振动数据的空间维度特征。在一些实施例中，为了更高效地提取振动信号中蕴含的与故障相关的冲击成分，可以基于Morlet小波卷积层和卷积神经网络层构建多尺度空间特征提取模块。其中，Morlet小波卷积层数可以设置为1层，尺度因子s与平移因子u的取值区间可以均设置为[0,100]，卷积神经网络层层数可以设置为3层。此处，Morlet小波卷积层可以用于通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射。此处，可以基于尺度因子s和平移因子u对应的多种不同的数值组合(s,u)，初始化得到多种不同的Morlet小波。例如，可以采用如下公式初始化得到尺度因子和平移因子的一种数值组合对应的Morlet小波：[0072][0073] 其中，t表示时间，A是幅值。[0074] 随后，分别基于上述多种不同的Morlet小波与任一样本降噪振动数据进行卷积运算，并将各个Morlet小波与任一样本降噪振动数据的卷积运算结果进行特征融合（例如拼接等），从而得到该样本降噪振动数据的多尺度特征映射。其中，可以基于如下公式对任一Morlet小波与该样本降噪振动数据进行卷积运算：[0075][0076] 其中，f()、bt分别代表非线性激活函数与偏置值， 是卷积运算符。[0077] 将上述步骤中获得的多尺度特征映射Xh输入到卷积神经网络层（可以是3个连续的卷积神经网络层）中，提取多尺度高维隐层特征，作为该样本降噪振动数据的空间维度特征。其中，可以采用如下方式提取该样本降噪振动数据的空间维度特征Y：[0078][0079] 其中，W1、W2、W3表示各层卷积核的权重参数，b1、b2、b3表示各卷积层的偏置值，f1(·)、f2(·)、f3(·)分别代表各卷积层的激活函数。[0080] 可见，多尺度空间特征提取模块通过改变尺度因子s与平移因子u两个可调节参数，得到多尺度的Morlet小波核函数，能够更高效地提取振动信号中蕴含的与故障相关的冲击成分，且每个小波卷积核只有两个参数，参数量远低于传统卷积层，能够有效提高模型训练速度和推理速度。[0081] 随后，将该样本降噪振动数据的空间维度特征输入到故障诊断模型的时间特征提取模块，以基于时间特征提取模块对该样本降噪振动数据的空间维度特征进行时间维度特征提取，得到该样本降噪振动数据的多维度特征。在一些实施例中，可以建立具有更新门与重置门的门控递归单元所构建而成的时间特征提取模块，从而能在多尺度空间特征提取模块所提取到的多尺度的空间维度特征基础上，进一步在时间维度提取信号特征，使故障诊断模型能够同时提取信号的时间和空间特征，减少有效信息的缺失、保障故障特征提取的完整性。其中，门控递归单元层数可以设置为1层，门控递归单元中隐层神经元数量可以设置为256。[0082] 接着，故障诊断模型的分类模块会对该样本降噪振动数据的多维度特征进行故障分类，得到该样本降噪振动数据的故障诊断结果。其中，在分类模块中可以设置2个连续的全连接层，其输入输出维度分别为[256,128]、[128,9]，对该样本降噪振动数据的多维度特征进行整形，并使用Softmax函数处理整形后的时空特征得到该样本降噪振动数据的故障诊断结果。通过上述方式，能够获得各个样本降噪振动数据的故障诊断结果。基于各个样本降噪振动数据的故障诊断结果和故障标签，利用交叉熵损失函数计算模型损失，从而基于该模型损失对故障诊断模型进行参数更新直至达到收敛条件，得到训练好的故障诊断模型。[0083] 模型训练完毕后，可以进入模型推理阶段。在模型推理阶段，可以基于上述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到待诊断设备的故障诊断结果。其中，可以采用与样本设备的样本振动信号相同的采集方式采集待诊断设备的振动信号。然后，基于上述实施例中给出的格莱姆矩阵降噪策略对待诊断设备的振动信号进行降噪处理，得到待诊断设备的振动信号对应的降噪振动数据。将待诊断设备的降噪振动数据输入到上述训练好的故障诊断模型，利用故障诊断模型的多尺度空间特征提取模块对待诊断设备的降噪振动数据进行多尺度空间维度特征提取，得到待诊断设备的降噪振动数据的空间维度特征，并基于故障诊断模型的时间特征提取模块对待诊断设备的降噪振动数据的空间维度特征进行时间维度特征提取，得到待诊断设备的降噪振动数据的多维度特征，从而基于故障诊断模型的分类模块对待诊断设备的降噪振动数据的多维度特征进行故障分类，得到待诊断设备的降噪振动数据的故障诊断结果。[0084] 得到待诊断设备的故障诊断结果之后，对待诊断设备的故障诊断结果进行判别。若待诊断设备的故障诊断结果指示该待诊断设备存在故障，则利用上述训练阶段中的训练方式，基于该待诊断设备的振动信号和故障诊断结果对上述训练好的故障诊断模型进行增量的参数更新。[0085] 综上所述，本发明实施例提供的方法，通过获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，利用故障振动信号周期自相似性特点，增强周期性冲击成分、提高信号的信噪比，降低原始输入信号中噪声和其他无关成分的干扰，为提升故障诊断模型的准确率奠定了基础；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，提取出振动信号中与故障相关的冲击成分，实现故障特征的多尺度精确提取；基于故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征，能在时间维度提取丰富的信号特征，保障故障特征提取的完整性；然后基于故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对故障诊断模型进行参数更新，得到训练好的故障诊断模型，从而可以基于训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到待诊断设备的故障诊断结果，提升了机械故障诊断的效率和精度。[0086] 下面对本发明提供的基于数模联动的机械故障诊断装置进行描述，下文描述的基于数模联动的机械故障诊断装置与上文描述的基于数模联动的机械故障诊断方法可相互对应参照。[0087] 基于上述任一实施例，图5是本发明提供的基于数模联动的机械故障诊断装置的结构示意图，如图5所示，该装置包括：[0088] 数据降噪单元510，用于获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；[0089] 多维度特征提取单元520，用于基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；[0090] 模型参数更新单元530，用于基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；[0091] 机械故障诊断单元540，用于基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0092] 本发明实施例提供的装置，通过获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，利用故障振动信号周期自相似性特点，增强周期性冲击成分、提高信号的信噪比，降低原始输入信号中噪声和其他无关成分的干扰，为提升故障诊断模型的准确率奠定了基础；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，提取出振动信号中与故障相关的冲击成分，实现故障特征的多尺度精确提取；基于故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征，能在时间维度提取丰富的信号特征，保障故障特征提取的完整性；然后基于故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对故障诊断模型进行参数更新，得到训练好的故障诊断模型，从而可以基于训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到待诊断设备的故障诊断结果，提升了机械故障诊断的效率和精度。[0093] 基于上述任一实施例，所述基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据，包括：[0094] 对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵；[0095] 将所述任一样本振动信号的二维增强信号矩阵展开为一维数据，得到所述任一样本振动信号的一维去噪振动数据；[0096] 对所述任一样本振动信号的一维去噪振动数据进行标准化处理，得到所述任一样本振动信号对应的样本降噪振动数据。[0097] 基于上述任一实施例，所述对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算，得到所述任一样本振动信号的二维增强信号矩阵，包括：[0098] 基于如下公式对任一样本振动信号的二维初始矩阵进行格莱姆矩阵乘法运算：[0099][0100] 其中，X为所述任一样本振动信号的二维初始矩阵，XE为所述任一样本振动信号的二维增强信号矩阵。[0101] 基于上述任一实施例，所述基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，包括：[0102] 基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射；[0103] 基于所述多尺度空间特征提取模块中的卷积神经网络层，对所述任一样本降噪振动数据的多尺度特征映射进行特征提取，得到所述任一样本降噪振动数据的空间维度特征。[0104] 基于上述任一实施例，所述基于所述多尺度空间特征提取模块中的Morlet小波卷积层，通过改变尺度因子和平移因子，提取任一样本降噪振动数据的多尺度特征映射，包括：[0105] 基于尺度因子和平移因子对应的多种不同的数值组合，初始化得到多种不同的Morlet小波；[0106] 分别基于所述多种不同的Morlet小波与所述任一样本降噪振动数据进行卷积运算后进行特征融合，得到所述任一样本降噪振动数据的多尺度特征映射。[0107] 基于上述任一实施例，所述故障诊断模型的时间特征提取模块是基于门控递归单元构建的。[0108] 基于上述任一实施例，所述基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果，之后还包括：[0109] 若所述待诊断设备的故障诊断结果指示所述待诊断设备存在故障，则基于所述待诊断设备的振动信号和故障诊断结果对所述训练好的故障诊断模型进行参数更新。[0110] 图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、存储器(memory)620、通信接口(CommunicationsInterface)630和通信总线640，其中，处理器610，存储器620，通信接口630通过通信总线640完成相互间的通信。处理器610可以调用存储器620中的逻辑指令，以执行基于数模联动的机械故障诊断方法，该方法包括：获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0111] 此外，上述的存储器620中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read‑OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。[0112] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于数模联动的机械故障诊断方法，该方法包括：获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0113] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于数模联动的机械故障诊断方法，该方法包括：获取样本设备在不同运行工况下的样本振动信号以及故障标签，并基于格莱姆矩阵对每个样本振动信号进行降噪处理，得到相应样本振动信号对应的样本降噪振动数据；基于故障诊断模型的多尺度空间特征提取模块，对各个样本降噪振动数据进行多尺度空间维度特征提取，得到相应样本降噪振动数据的空间维度特征，并基于所述故障诊断模型的时间特征提取模块，对各个样本降噪振动数据的空间维度特征进行时间维度特征提取，得到相应样本降噪振动数据的多维度特征；基于所述故障诊断模型的分类模块，对各个样本降噪振动数据的多维度特征进行故障分类，得到相应样本降噪振动数据的故障诊断结果，并基于各个样本降噪振动数据的故障诊断结果和故障标签，对所述故障诊断模型进行参数更新，得到训练好的故障诊断模型；基于所述训练好的故障诊断模型对待诊断设备的振动信号进行故障诊断，得到所述待诊断设备的故障诊断结果。[0114] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0115] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。[0116] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：辽宁

专利申请日期：2024-07-15

专利公开日期：2024-10-29

专利公告号：CN118468094B