本發(fā)明涉及數(shù)據(jù)不平衡故障診斷，具體而言，尤其涉及一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法。

背景技術(shù)：

1、齒輪作為旋轉(zhuǎn)機(jī)械中的核心部件，承擔(dān)著傳遞動(dòng)力和運(yùn)動(dòng)的關(guān)鍵作用。在實(shí)際運(yùn)行過(guò)程中，齒輪會(huì)受到復(fù)雜的載荷作用，其性能和狀態(tài)直接關(guān)系到整個(gè)旋轉(zhuǎn)機(jī)械的可靠性和穩(wěn)定性。一旦齒輪出現(xiàn)故障，不僅會(huì)導(dǎo)致機(jī)械性能下降，還可能引發(fā)停機(jī)故障，進(jìn)而影響設(shè)備的安全性和運(yùn)行效率。因此，對(duì)齒輪進(jìn)行有效的故障診斷，及時(shí)發(fā)現(xiàn)并處理潛在問(wèn)題，對(duì)于保障旋轉(zhuǎn)機(jī)械的正常運(yùn)行具有重要意義。隨著旋轉(zhuǎn)機(jī)械技術(shù)的不斷發(fā)展，齒輪的工作環(huán)境和運(yùn)行條件日益復(fù)雜，這使得故障發(fā)生的可能性和風(fēng)險(xiǎn)不斷增加。在這種背景下，開發(fā)先進(jìn)的齒輪故障診斷模型，以實(shí)現(xiàn)有效的狀態(tài)監(jiān)測(cè)和故障預(yù)警，已成為當(dāng)前研究的重要方向。

2、目前，大多數(shù)針對(duì)旋轉(zhuǎn)機(jī)械的數(shù)據(jù)驅(qū)動(dòng)故障診斷框架主要基于數(shù)據(jù)平衡的假設(shè)進(jìn)行設(shè)計(jì)。這些框架通常依賴于大量的正常運(yùn)行數(shù)據(jù)和故障數(shù)據(jù)來(lái)訓(xùn)練分類模型，以實(shí)現(xiàn)對(duì)故障的準(zhǔn)確識(shí)別。為了應(yīng)對(duì)數(shù)據(jù)不平衡問(wèn)題，一些方法采用了數(shù)據(jù)生成模型來(lái)擴(kuò)充故障數(shù)據(jù)集，通過(guò)生成虛擬故障信號(hào)來(lái)增加訓(xùn)練樣本的數(shù)量，從而提高分類模型的性能。這些方法在一定程度上緩解了數(shù)據(jù)不平衡對(duì)故障診斷的影響，但在實(shí)際應(yīng)用中仍存在一些局限性。

3、然而，現(xiàn)有的數(shù)據(jù)不平衡故障診斷方法仍然存在以下兩個(gè)主要問(wèn)題：

4、問(wèn)題一、傳統(tǒng)的數(shù)據(jù)生成模型在生成虛擬故障信號(hào)時(shí)，可能無(wú)法準(zhǔn)確捕捉振動(dòng)時(shí)域信號(hào)的特征。這導(dǎo)致生成的虛擬信號(hào)與實(shí)際故障信號(hào)存在顯著差異，從而影響分類模型的性能。特別是當(dāng)用于訓(xùn)練生成模型的故障樣本數(shù)量有限時(shí)，生成的樣本的保真度會(huì)受到顯著影響。如果將這些保真度低的信號(hào)用于擴(kuò)充訓(xùn)練集，會(huì)導(dǎo)致分類模型學(xué)習(xí)到錯(cuò)誤的故障信息，進(jìn)而降低故障診斷的準(zhǔn)確性。

5、問(wèn)題二、傳統(tǒng)的分類模型在處理不平衡的數(shù)據(jù)集時(shí)往往表現(xiàn)不佳，容易偏向多數(shù)類樣本，導(dǎo)致故障類別的識(shí)別能力下降。即使在由真實(shí)數(shù)據(jù)和虛擬數(shù)據(jù)構(gòu)成的混合訓(xùn)練集中進(jìn)行訓(xùn)練，也難以從混合數(shù)據(jù)集中充分獲取有效的故障特征。這使得故障識(shí)別的準(zhǔn)確率較低，無(wú)法滿足實(shí)際應(yīng)用中對(duì)高精度故障診斷的要求。

技術(shù)實(shí)現(xiàn)思路

1、為了解決齒輪在數(shù)據(jù)不平衡情況下故障診斷準(zhǔn)確率低的問(wèn)題，提供一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法。本發(fā)明最終獲得的分類模型具有輕量化的特點(diǎn)，同時(shí)能夠更加有效的開發(fā)擴(kuò)充后的數(shù)據(jù)集中的多級(jí)特征，能從真實(shí)數(shù)據(jù)和生成的虛擬數(shù)據(jù)中提取更多的有效特征，具有優(yōu)越的故障分類能力。

2、本發(fā)明采用的技術(shù)手段如下：

3、一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法，包括：

4、s1、利用加速度傳感器采集齒輪在各種故障情況下的振動(dòng)時(shí)域信號(hào)，作為齒輪故障信號(hào)，構(gòu)建數(shù)據(jù)不平衡的訓(xùn)練集；

5、s2、采用改進(jìn)的波形信號(hào)生成網(wǎng)絡(luò)（idfwave-cm網(wǎng)絡(luò)）構(gòu)成的擴(kuò)散模型，建立齒輪故障信號(hào)生成模型，將采集到的齒輪故障信號(hào)輸入齒輪故障信號(hào)生成模型中進(jìn)行訓(xùn)練，并生成虛擬齒輪故障信號(hào)；

6、s3、采用信號(hào)濾波器對(duì)虛擬齒輪故障信號(hào)進(jìn)行質(zhì)量評(píng)估，并將評(píng)估后的信號(hào)與原始訓(xùn)練集合并，得到擴(kuò)充后的數(shù)據(jù)集；

7、s4、采用深度可分離卷積結(jié)構(gòu)，構(gòu)建齒輪故障分類模型，使用擴(kuò)充后的數(shù)據(jù)集中的訓(xùn)練集對(duì)齒輪故障分類模型進(jìn)行訓(xùn)練，最終獲得用于識(shí)別齒輪故障類型的分類模型。

8、進(jìn)一步地，步驟s2，具體包括：

9、s21、擴(kuò)散模型通過(guò)擴(kuò)散過(guò)程逐步將高斯噪聲添加到齒輪故障信號(hào)中，使齒輪故障信號(hào)完全轉(zhuǎn)化成高斯噪音，并通過(guò)逆擴(kuò)散過(guò)程從高斯噪音中重構(gòu)齒輪故障信號(hào)的數(shù)據(jù)分布，擴(kuò)散過(guò)程和逆擴(kuò)散過(guò)程如下：

10、；

11、；

12、其中，表示擴(kuò)散過(guò)程，表示擴(kuò)散步長(zhǎng)為時(shí)的信號(hào)，表示擴(kuò)散步長(zhǎng)為時(shí)的信號(hào)，表示添加的高斯噪音的方差，表示單位矩陣，表示擴(kuò)散過(guò)程中的步長(zhǎng)，表示逆擴(kuò)散過(guò)程，表示逆擴(kuò)散過(guò)程中和相關(guān)的均值，表示逆擴(kuò)散過(guò)程中和相關(guān)的方差；

13、s22、在逆擴(kuò)散過(guò)程中，通過(guò)數(shù)學(xué)運(yùn)算準(zhǔn)確計(jì)算逆分布頗具挑戰(zhàn)性。因此，采用idfwave-cm網(wǎng)絡(luò)結(jié)構(gòu)來(lái)估計(jì)這一過(guò)程。此外，為了提高模型訓(xùn)練效率并降低計(jì)算復(fù)雜度，將網(wǎng)絡(luò)訓(xùn)練過(guò)程中的變分下界進(jìn)行簡(jiǎn)化，表達(dá)式如下：

14、；

15、其中，表示變分下界的簡(jiǎn)化結(jié)果，表示對(duì)多個(gè)隨機(jī)變量的聯(lián)合分布取期望，表示高斯噪聲，表示預(yù)測(cè)的高斯噪音，表示累乘，表示任意下的，表示初始齒輪故障信號(hào)；

16、s23、改進(jìn)的波形信號(hào)生成網(wǎng)絡(luò)(idfwave-cm)是一種強(qiáng)大的網(wǎng)絡(luò)架構(gòu)，旨在處理數(shù)據(jù)中的短期和長(zhǎng)期依賴關(guān)系，有效捕捉序列信息和全局特征。該結(jié)構(gòu)采用簡(jiǎn)化的自注意力機(jī)制和高效多尺度注意力機(jī)制構(gòu)建，這兩種機(jī)制協(xié)同工作，以調(diào)制diffwave網(wǎng)絡(luò)結(jié)構(gòu)。參數(shù)表示殘差層數(shù)，設(shè)定為?30。idfwave-cm網(wǎng)絡(luò)的輸入是一個(gè)多維編碼向量，通過(guò)將擴(kuò)散步驟轉(zhuǎn)換為多個(gè)三角函數(shù)形成，具體如下：

17、；

18、s24、訓(xùn)練過(guò)程采用線性加噪模式，其中所添加高斯噪聲的方差從0.0001線性增加至0.05，在模型訓(xùn)練完成后，通過(guò)逆擴(kuò)散過(guò)程生成虛擬齒輪故障信號(hào)，該過(guò)程表示如下：

19、；

20、其中，表示和相關(guān)的中間變量，表示到累乘，表示超參數(shù)，表示高斯噪音；

21、進(jìn)一步地，步驟s3中的信號(hào)濾波器為基于三個(gè)統(tǒng)計(jì)指標(biāo)的信號(hào)過(guò)濾器，用于評(píng)估生成信號(hào)與真實(shí)信號(hào)之間的相似度，指標(biāo)包括余弦相似度、皮爾遜相關(guān)系數(shù)和最大均值差異。

22、進(jìn)一步地，所述余弦相似度和所述皮爾遜相關(guān)系數(shù)的計(jì)算公式如下：

23、；

24、；

25、其中，表示余弦相似度，表示皮爾遜相關(guān)系數(shù)，兩者用于計(jì)算生成信號(hào)與實(shí)際信號(hào)的頻率域特征之間的相似度，數(shù)值越高表示相似度越高；公式中，表示生成信號(hào)頻域向量，表示真實(shí)信號(hào)頻域向量；表示信號(hào)向量元素?cái)?shù)，表示生成信號(hào)各元素平均值，表示真實(shí)信號(hào)各元素平均值。

26、進(jìn)一步地，所述最大均值差異的計(jì)算公式如下：

27、；

28、其中，表示最大均值差異，用于衡量生成信號(hào)與實(shí)際信號(hào)在時(shí)域上的數(shù)據(jù)分布特征相似度，數(shù)值越小表示生成樣本的質(zhì)量越高；公式中，表示生成信號(hào)時(shí)域向量元素?cái)?shù)，表示真實(shí)信號(hào)時(shí)域向量元素?cái)?shù)，表示生成時(shí)域信號(hào)在希爾伯特空間的映射，表示真實(shí)時(shí)域信號(hào)在希爾伯特空間的映射，表示希爾伯特空間。

29、進(jìn)一步地，步驟s3中，采用信號(hào)濾波器對(duì)虛擬齒輪故障信號(hào)進(jìn)行質(zhì)量評(píng)估，具體包括：

30、設(shè)定約束條件，如下：

31、；

32、其中，、和分別對(duì)應(yīng)于三個(gè)約束條件的閾值，決定生成的虛擬齒輪故障信號(hào)的多樣性和相似性；在生成過(guò)程中，三個(gè)約束條件的閾值、和分別設(shè)置為0.3、0.75和0.8；

33、將生成的虛擬齒輪故障信號(hào)送入信號(hào)濾波器進(jìn)行質(zhì)量評(píng)估，如果滿足約束條件中規(guī)定的三個(gè)條件，則將該信號(hào)輸入到原始訓(xùn)練集中對(duì)訓(xùn)練集進(jìn)行擴(kuò)充；否則，被視為不合格并被舍棄。

34、進(jìn)一步地，步驟s4中，采用深度可分離卷積結(jié)構(gòu)，構(gòu)建齒輪故障分類模型，具體包括：

35、利用深度可分離卷積塊構(gòu)建骨干網(wǎng)絡(luò)，并利用迭代注意力特征融合模塊自適應(yīng)地融合深層特征，提升分類模型故障診斷性能；

36、深度可分離卷積塊按照1:1:3:1的比例堆疊，以獲得齒輪故障信號(hào)的深層特征；

37、為了平衡特征的高級(jí)抽象信息和低級(jí)紋理信息，構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)綜合利用了三個(gè)階段的不同尺寸的特征，三個(gè)階段的特征通過(guò)迭代注意力特征融合模塊自適應(yīng)地實(shí)現(xiàn)特征級(jí)數(shù)據(jù)融合，特征融合過(guò)程如下：

38、；

39、；

40、其中，和分別表示輸入的特征，表示特征初步融合結(jié)果，表示特征融合后的最終輸出，符號(hào)表示廣播加法，符號(hào)表示逐元素乘法操作，和分別表示不同階段的多尺度通道注意力模塊。

41、進(jìn)一步地，所述深度可分離卷積塊將常規(guī)的二維深度可分離卷積塊一維化，由1×7深度卷積、逐點(diǎn)卷積、層歸一化（ln）和gelu激活函數(shù)組成，深度可分離卷積塊利用大尺寸的卷積獲取更大的感受野，通過(guò)逐點(diǎn)卷積用于通道間的信息交互與維度變換，擁有優(yōu)秀的特征提取能力和較強(qiáng)的魯棒性。

42、進(jìn)一步地，所述特征融合模塊的主干為多尺度通道注意力模塊，利用局部注意力分支和全局注意力分支獲取重要關(guān)注的位置，通過(guò)注意力機(jī)制獲取權(quán)重，實(shí)現(xiàn)特征自適應(yīng)融合，多尺度通道注意力模塊通過(guò)改變池化大小在多個(gè)尺度上實(shí)現(xiàn)通道注意力，旨在有效結(jié)合局部和全局特征。

43、較現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

44、1、本發(fā)明提供的一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法，在應(yīng)對(duì)數(shù)據(jù)不平衡的訓(xùn)練集時(shí)，可以通過(guò)生成虛擬數(shù)據(jù)來(lái)擴(kuò)充訓(xùn)練集，從而有效緩解數(shù)據(jù)不平衡問(wèn)題，并提升齒輪故障診斷的準(zhǔn)確性和穩(wěn)定性。

45、2、本發(fā)明提供的一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法，利用改進(jìn)的波形信號(hào)生成網(wǎng)絡(luò)（idfwave-cm）構(gòu)建了一個(gè)齒輪故障信號(hào)生成的擴(kuò)散模型。并通過(guò)信號(hào)濾波器對(duì)生成的齒輪故障信號(hào)進(jìn)行篩選，確保生成的齒輪故障信號(hào)均達(dá)到一致的質(zhì)量標(biāo)準(zhǔn)。該齒輪故障信號(hào)生成模型能夠?qū)W習(xí)輸入的齒輪振動(dòng)信號(hào)的復(fù)雜數(shù)據(jù)分布信息，并生成和輸入信號(hào)高度相似的齒輪故障信號(hào)。

46、3、本發(fā)明提供的一種基于擴(kuò)散模型和深度可分離卷積的數(shù)據(jù)不平衡故障診斷方法，利用深度可分離卷積構(gòu)建卷積塊，并通過(guò)卷積塊的堆疊構(gòu)建分類模型的骨干網(wǎng)絡(luò)，以獲得故障信號(hào)的深層特征。并通過(guò)迭代注意力特征融合模塊來(lái)自適應(yīng)融合各個(gè)階段的特征，以平衡特征的高級(jí)抽象信息和低級(jí)紋理信息。整合后的分類模型具備從混有生成及真實(shí)信號(hào)的數(shù)據(jù)集合中精準(zhǔn)解析與區(qū)分各類特征的能力。

47、基于上述理由本發(fā)明可在數(shù)據(jù)不平衡故障診斷等領(lǐng)域廣泛推廣。