CN120217124A 一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法

地址110819辽宁省沈阳市和平区文化路3公司21212G01M13/021(2019.0GO6F18/241(2023.0GO6F18/214(2023.0GO6F18/213(2023.0一种基于扩散模型和深度可分离卷积的数(57)摘要本发明提供一种基于扩散模型和深度可分号生成模型中训练，并生成虚拟齿轮故障信号；采用信号滤波器对虚拟齿轮故障信号进行质量到扩充后的数据集；采用深度可分离卷积结构，齿轮故障类型的分类模型，准确地对齿轮的故障利用加速度传感器采集齿轮在各种故障情况下的振动时域信号，作为齿轮故障信利用加速度传感器采集齿轮在各种故障情况下的振动时域信号，作为齿轮故障信号，构建数据不平衡的训练集；采用改进的波形信号生成网络构成的扩散模型，建立齿轮故障信号生成模型，将采集到的齿轮故障信号输入齿轮故障信号生成模型中进行训练，并生成虚拟齿轮故障信号；采用信号滤波器对虚拟齿轮故障信号进行质量评估，并将评估后的信号与原始训练集合并，得到扩充后的数据集；采用深度可分离卷积结构，构建齿轮故障分类模型，使用扩充后的数据集中的训练集对齿轮故障分类模型进行训练，最终获得用于识别齿轮故障类型的分类模型。21.一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，其特征在于，包S1、利用加速度传感器采集齿轮在各种故障情况下的振动时域信号，作为齿轮故障信S2、采用改进的波形信号生成网络构成的扩散模型，建立齿轮故障信号生成模型，将采集到的齿轮故障信号输入齿轮故障信号生成模型中进行训练，并生成虚拟齿轮故障信号；S3、采用信号滤波器对虚拟齿轮故障信号进行质量评估，并将评估后的信号与原始训S4、采用深度可分离卷积结构，构建齿轮故障分类模型，使用扩充后的数据集中的训练集对齿轮故障分类模型进行训练，最终获得用于识别齿轮故障类型的分类模型。2.根据权利要求1所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断S21、扩散模型通过扩散过程逐步将高斯噪声添加到齿轮故障信号中，使齿轮故障信号完全转化成高斯噪音，并通过逆扩散过程从高斯噪音中重构齿轮故障信号的数据分布，扩散过程和逆扩散过程如下：的信号，β表示添加的高斯噪音的方差，I表示单位矩阵，逆扩散过程中和x,相关的方差；S22、将网络训练过程中的变分下界进行简化，表达式如下：其中，L(θ)表示变分下界的简化结果，E₁表示对多个随机变量的联合分布取期望，8表示初始齿轮故障信号；S23、改进的波形信号生成网络(Idfwave-cm)的输入。是一个多维编码向量，通过将扩S24、训练过程采用线性加噪模式，其中所添加高斯噪声的方差β从0.0001线性增加至0.05,在模型训练完成后，通过逆扩散过程生成虚拟齿轮故障信号，该过程表示如下：33.根据权利要求1所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断4.根据权利要求3所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断5.根据权利要求3所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断6.根据权利要求1所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断括：将生成的虚拟齿轮故障信号送入信号滤波器进行质量评估，如果满足约束条件中规定舍弃。47.根据权利要求1所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，其特征在于，步骤S4中，采用深度可分离卷积结构，构建齿轮故障分类模型，具体包利用深度可分离卷积块构建骨干网络，并利用迭代注意力特征融合模块自适应地融合深层特征，提升分类模型故障诊断性能；深度可分离卷积块按照1:1:3:1的比例堆叠，以获得齿轮故障信号的深层特征；为了平衡特征的高级抽象信息和低级纹理信息，构建的网络结构综合利用了三个阶段的不同尺寸的特征，三个阶段的特征通过迭代注意力特征融合模块自适应地实现特征级数其中，X和Y分别表示输入的特征，Z₁表示特征终输出，符号田表示广播加法，符号⊗表示逐元素乘法操作，M₁和M₂分别表示不同阶段的多尺度通道注意力模块。8.根据权利要求7所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，其特征在于，所述深度可分离卷积块将常规的二维深度可分离卷积块一维化，由1×7获取更大的感受野，通过逐点卷积用于通道间的信息交互与维度变换。9.根据权利要求7所述的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，其特征在于，所述特征融合模块的主干为多尺度通道注意力模块，利用局部注意力分支和全局注意力分支获取重要关注的位置，通过注意力机制获取权重，实现特征自适应融合，多尺度通道注意力模块通过改变池化大小在多个尺度上实现通道注意力，旨在有效结合局部和全局特征。5一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法技术领域[0001]本发明涉及数据不平衡故障诊断技术领域，具体而言，尤其涉及一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法。背景技术[0002]齿轮作为旋转机械中的核心部件，承担着传递动力和运动的关键作用。在实际运行过程中，齿轮会受到复杂的载荷作用，其性能和状态直接关系到整个旋转机械的可靠性和稳定性。一旦齿轮出现故障，不仅会导致机械性能下降，还可能引发停机故障，进而影响设备的安全性和运行效率。因此，对齿轮进行有效的故障诊断，及时发现并处理潜在问题，对于保障旋转机械的正常运行具有重要意义。随着旋转机械技术的不断发展，齿轮的工作环境和运行条件日益复杂，这使得故障发生的可能性和风险不断增加。在这种背景下，开发先进的齿轮故障诊断模型，以实现有效的状态监测和故障预警，已成为当前研究的重要方[0003]目前，大多数针对旋转机械的数据驱动故障诊断框架主要基于数据平衡的假设进行设计。这些框架通常依赖于大量的正常运行数据和故障数据来训练分类模型，以实现对故障的准确识别。为了应对数据不平衡问题，一些方法采用了数据生成模型来扩充故障数据集，通过生成虚拟故障信号来增加训练样本的数量，从而提高分类模型的性能。这些方法在一定程度上缓解了数据不平衡对故障诊断的影响，但在实际应用中仍存在一些局限性。[0004]然而，现有的数据不平衡故障诊断方法仍然存在以下两个主要问题：问题一、传统的数据生成模型在生成虚拟故障信号时，可能无法准确捕捉振动时域信号的特征。这导致生成的虚拟信号与实际故障信号存在显著差异，从而影响分类模型的性能。特别是当用于训练生成模型的故障样本数量有限时，生成的样本的保真度会受到显著影响。如果将这些保真度低的信号用于扩充训练集，会导致分类模型学习到错误的故障信息，进而降低故障诊断的准确性。[0005]问题二、传统的分类模型在处理不平衡的数据集时往往表现不佳，容易偏向多数类样本，导致故障类别的识别能力下降。即使在由真实数据和虚拟数据构成的混合训练集中进行训练，也难以从混合数据集中充分获取有效的故障特征。这使得故障识别的准确率较低，无法满足实际应用中对高精度故障诊断的要求。发明内容[0006]为了解决齿轮在数据不平衡情况下故障诊断准确率低的问题，提供一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法。本发明最终获得的分类模型具有轻量化的特点，同时能够更加有效的开发扩充后的数据集中的多级特征，能从真实数据和生成的虚拟数据中提取更多的有效特征，具有优越的故障分类能力。[0007]本发明采用的技术手段如下：6生成虚拟齿轮故障信号；信号完全转化成高斯噪音，并通过逆扩散过程从高斯噪音中重构齿轮故障信号的数据分S22、在逆扩散过程中，通过数学运算准确计算逆分布颇具挑战性。因此，采用k表示残差层数，设定为30.Idfwave-cm网络的输入e是一个多维编码向量，通过将扩散步7表示高斯噪音；进一步地，步骤S3中的信号滤波器为基于三个统计指标的信号过滤器，用于评估生成信号与真实信号之间的相似度，指标包括余弦相似度、皮尔逊相关系数和最大均值差异。[0009]进一步地，所述余弦相似度和所述皮尔逊相关系数的计算公式如下：际信号的频率域特征之间的相似度，数值越高表示相似度越高；公式中，x,表示生成信号频域向量，Y;表示真实信号频域向量；n表示信号向量元素数，x表示生成信号各元素平均值，y表示真实信号各元素平均值。其中，MMD²表示最大均值差异，用于衡量生成信号与实际信号在时域上的数据分布特征相似度，数值越小表示生成样本的质量越高；公式中，n表示生成信号时域向量元素数，N₂表示真实信号时域向量元素数，(x')表示生成时域信号在希尔伯特空间的映射，φ(y')表示真实时域信号在希尔伯特空间的映射，H表示希尔伯特空间。[0011]进一步地，步骤S3中，采用信号滤波器对虚拟齿轮故障信号进行质量评估，具体包其中，m、m和m₃分别对应于三个约束条件的阈值，决定生成的虚拟齿轮故障信号的多样性和相似性；在生成过程中，三个约束条件的阈值m、m和m分别设置为0.3、0.75和0.8;将生成的虚拟齿轮故障信号送入信号滤波器进行质量评估，如果满足约束条件中8规定的三个条件，则将该信号输入到原始训练集中对训练集进行扩充；否则，被视为不合格并被舍弃。进一步地，步骤S4中，采用深度可分离卷积结构，构建齿轮故障分类模型，具体包利用深度可分离卷积块构建骨干网络，并利用迭代注意力特征融合模块自适应地融合深层特征，提升分类模型故障诊断性能；深度可分离卷积块按照1:1:3:1的比例堆叠，以获得齿轮故障信号的深层特征；为了平衡特征的高级抽象信息和低级纹理信息，构建的网络结构综合利用了三个阶段的不同尺寸的特征，三个阶段的特征通过迭代注意力特征融合模块自适应地实现特征其中，X和Y分别表示输入的特征，Z₁表示特征初步融合结果，Z表示特征融合后的最终输出，符号④表示广播加法，符号⊗表示逐元素乘法操作，M1和M₂分别表示不同阶段的多尺度通道注意力模块。[0012]进一步地，所述深度可分离卷积块将常规的二维深度可分离卷积块一维化，由1×7深度卷积、逐点卷积、层归一化(LN)和GELU激活函数组成，深度可分离卷积块利用大尺寸的卷积获取更大的感受野，通过逐点卷积用于通道间的信息交互与维度变换，拥有优秀的特征提取能力和较强的鲁棒性。[0013]进一步地，所述特征融合模块的主干为多尺度通道注意力模块，利用局部注意力分支和全局注意力分支获取重要关注的位置，通过注意力机制获取权重，实现特征自适应融合，多尺度通道注意力模块通过改变池化大小在多个尺度上实现通道注意力，旨在有效结合局部和全局特征。1、本发明提供的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，在应对数据不平衡的训练集时，可以通过生成虚拟数据来扩充训练集，从而有效缓解数据不平衡问题，并提升齿轮故障诊断的准确性和稳定性。[0015]2、本发明提供的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，利用改进的波形信号生成网络(Idfwave-cm)构建了一个齿轮故障信号生成的扩散模型。并通过信号滤波器对生成的齿轮故障信号进行筛选，确保生成的齿轮故障信号均达到一致的质量标准。该齿轮故障信号生成模型能够学习输入的齿轮振动信号的复杂数据分布信息，并生成和输入信号高度相似的齿轮故障信号。[0016]3、本发明提供的一种基于扩散模型和深度可分离卷积的数据不平衡故障诊断方法，利用深度可分离卷积构建卷积块，并通过卷积块的堆叠构建分类模型的骨干网络，以获得故障信号的深层特征。并通过迭代注意力特征融合模块来自适应融合各个阶段的特征，以平衡特征的高级抽象信息和低级纹理信息。整合后的分类模型具备从混有生成及真实信号的数据集合中精准解析与区分各类特征的能力。[0017]基于上述理由本发明可在数据不平衡故障诊断等领域广泛推广。9附图说明[0018]为了更清楚地说明本发明实施例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做以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。[0019]图1为本发明方法流程图。[0020]图2为本发明实施例提供的改进的波形信号生成网络(Idfwave-cm)的结构图。[0021]图3为本发明实施例提供的分类模型网络结构图。[0022]图4为本发明实施例提供的生成信号和真实信号对比图。[0023]图5为本发明实施例提供的降维后的生成信号与真实信号的可视化图。[0024]图6为本发明实施例提供的不同不平衡比下故障诊断准确率图。具体实施方式[0025]为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0026]需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0027]如图1所示，本发明提供了一种基于扩散模型和深度可分离卷积的数据不平衡故S1、利用加速度传感器采集齿轮在各种故障情况下的振动时域信号，作为齿轮故障信号，构建数据不平衡的训练集；S2、采用改进的波形信号生成网络(Idfwave-cm)构成的扩散模型，建立齿轮故障信号生成模型，将采集到的齿轮故障信号输入齿轮故障信号生成模型中进行训练，并生成虚拟齿轮故障信号；S3、采用信号滤波器对虚拟齿轮故障信号进行质量评估，并将评估后的信号与原S4、采用深度可分离卷积结构，构建齿轮故障分类模型，使用扩充后的数据集中的训练集对齿轮故障分类模型进行训练，最终获得用于识别齿轮故障类型的分类模型。[0028]在本实施例中，步骤S1中的数据集来源于故障齿轮箱测试平台，其由齿轮箱、数据采集系统、加速度传感器和振动输入模块组成。具体操作中，在齿轮箱转速设定为1450r/min、采样频率设定为20kHz的条件下，通过加速度计采集时域振动信号。为了模拟齿轮箱故障，对健康齿轮进行了预处理，引入了各种类型的故障。通过系统性地替换这些故障齿轮，收集了处于多种健康状态下的振动信号，其中包括齿轮磨损(W)、齿面点蚀(P)、齿轮裂纹(C)、断齿(BT)以及正常(N)状况下的振动时域信号。基于上述数据集，构造了8种数据不平衡的案例，详见表1。这些案例涵盖了2种单类别数据不平衡场景和6种多类别数据不平衡场景。在随后的故障分类实验中，这8个案例将作为所提出的故障诊断框架的训练集。同时从每种类型中选取200个振动信号组成测试集，用于评估诊断框架性能，这些测试集中的信号与训练集中的信号具有相同的长度。[0029]表1数据不平衡案例案例多数类样本长度类别类别1P2P53455657N8N5S21、扩散模型通过扩散过程逐步将高斯噪声添加到齿轮故障信号中，使齿轮故障信号完全转化成高斯噪音，并通过逆扩散过程从高斯噪音中重构齿轮故障信号的数据分其中，q(x,|x_)表示扩散过程，x,表示扩散步长为t时的信号，x-1表示扩散步长为表示逆扩散过程中和x,相关的方差；S22、将网络训练过程中的变分下界进行简化，表达式如下：其中，L(θ)表示变分下界的简化结果，E1,x表示对多个随机变量的联合分布取期,x₀表示初始齿轮故障信号；S23、改进的波形信号生成网络(Idfwave-cm)的输入。是一个多维编码向量，通过将扩散步骤转换为多个三角函数形成，具体如下：S24、训练过程采用线性加噪模式，其中所添加高斯噪声的方差β.从0.0001线性增加至0.05,在模型训练完成后，通过逆扩散过程生成虚拟齿轮故障信号，该过程表示如下：采用简化的自注意力机制和高效多尺度注意力机制构建，这两种机制协同工作，以调制和相似性；在生成过程中，三个约束条件的阈值m、m₂和m₃分别设置为0.3、0.75和0.8;具体实施时，作为本发明优选的实施方式，步骤S4中，采用深度可分离卷积结构，构建如图3所示的齿轮故障分类模型，具体包括：利用深度可分离卷积块构建骨干网络，并利用迭代注意力特征融合模块自适应地融合深层特征，提升分类模型故障诊断性能；深度可分离卷积块按照1:1:3:1的比例堆叠，以获得齿轮故障信号的深层特征；为了平衡特征的高级抽象信息和低级纹理信息，构建的网络结构综合利用了三个阶段的不同尺寸的特征，三个阶段的特征通过迭代注意力特征融合模块自适应地实现特征的最终输出，符号④表示广播加法，符号⊗表示逐元素乘法操作，M1和M₂分别表示不同阶段的多尺度通道注意力模块。[0035]具体实施时，作为本发明优选的实施方式，所述深度可分离卷积块将常规的二维度可分离卷积块利用大尺寸的卷积获取更大的感受野，通过逐点卷积用于通道间的信息交互与维度变换。[0036]具体实施时，作为本发明优选的实施方式，所述特征融合模块的主干为多尺度通道注意力模块，利用局部注意力分支和全局注意力分支获取重要关注的位置，通过注意力机制获取权重，实现特征自适应融合，多尺度通道注意力模块通过改变池化大小在多个尺度上实现通道注意力，旨在有效结合局部和全局特征。[0037]实施例生成齿轮信号评估：图4呈现了两种故障类别中生成信号与相应真实信号的对比图。时域图显示，虚拟信号的波形与真实信号高度相似，但仍有细微差异，这表明生成的虚拟样本和真实样本保持高度相似性的同时，也具有一定的多样性。频域图采用堆叠方式展示，更清晰地揭示了生成的虚拟信号与真实信号在频域特征上的相似性。此外，通过计算频域下的皮尔逊相关系数(PCC)和余弦相似度(CS)来评估信号之间的相似性，其中PCC值分别为0.85和0.79,而CS值分别为0.89和0.86.PCC和CS的值保持很高的水平也进一步验证了两组信号之间的强相关性。[0038]为深入分析生成信号的空间分布特性，从两种故障类别中分别提取500个虚拟生成信号，并随机选取500个真实信号作为参考基准。由于生成虚拟信号与真实信号均具有较大长度，直接可视化多信号分布特征存在困难，因此采用主成分分析进行数据降维处理，从而为信号的空间分布进行可视化。图6清晰展示了降维处理后生成信号与真实信号的空间分布可视化。从图5可以看出，生成的虚拟信号已成功嵌入真实信号的空间分布域，与真实信号呈现出高度一致的分布形态特征。虚拟生成信号的引入，显著扩展了训练信号的特征空间，这种特征空间的拓展，能为故障分类模型提供新的可学习特征。[0039]数据不平衡故障诊断分析：为了评估所生成的时域振动信号的实用价值，首先构建了不同不平衡比率的训练集。初始训练集为案例2和案例8。接着，逐步将生成的虚拟信号注入每个案例中的少数类样本中，从而将训练集的不平衡比从1:100调整到1:50、1:20、1:5和1:被用于训练分类模型，以探究虚拟信号对故障分类效果的提升作用。为防止高性能分类网络可能对结果造成偏差，本实施例还选择了一维卷积神经网络作为的故障分类网络。每次实验均进行了十次重复实验，最终以平均故障分类准确率作为评估指标，具体实验结果如图6所示。图6清晰地展示了，当使用数据不平衡的训练集时，分类模型难以实现准确的故障分类。然而，通过向原始训练集添加更多的生成虚拟信号，能够显著提高故障分类的准确性。[0040]为了验证所设计的故障诊断框架的稳定性和有效性，对8个数据不平衡案例进行故障诊断。此外，采用了两个统计指标，即准确率和F1分数，来全面评估所设计的故障诊断框架。表2展示了所有案例下的故障诊断结果，结果以评估指标的平均充方法”指的是将数据不平衡的训练数据集直接输入一维卷积神经网络进行故障诊断。结果显示，所设计的诊断框架显著提高了所有情况下故障分类的准确率和F1分数，成功缓解了在数据不平衡条件下分类准确率低的问题。在单一类别数据不平衡的案例中，该框架的故障分类准确率超过了99%,能够准确识别故障信号的类型。尽管在原始训练集中不平衡类别的数量增加时，故障分类的准确性会有所下降，但该框架仍然表现出强大的故障识别能[0041]表2各案例故障诊断结果案例统计指标案例统计指标1526748上述数据不平衡故障诊断结果和生成齿轮信号评估结果有效证明了所设计的故障诊断框架在数据不平衡场景下的有效性。[0043]所构建的齿轮振动信号生成模型，采用了Idfwave-cm网络结构，有效捕捉了振动信号中的短期和长期依赖关系，从而实现了振动信号的生成。在此基础上，通过信号滤波器的应用，筛选去除那些与真实信号显著偏离