本發明涉及軸承振動分析，具體地涉及一種軸承振動信號處理模型的構建方法，并進一步涉及一種軸承振動信號進行特征提取和分類的處理模型及基于此模型的軸承振動信號分類方法。

背景技術：

1、研究表明，軸承故障與其振動信號存在密切關系，軸承的振動信號可以清晰地獲得軸承運轉的各種信息，有助于深層次地分析軸承狀態并且早期預判軸承的損壞。因此，對軸承的振動信號進行分析是檢測和分析軸承故障的有效手段。

2、運用深度學習模型進行軸承故障檢測是一種先進的技術，通過自動化的數據采集、分析和特征提取，能夠有效識別和分類不同類型的故障。這一方法依賴于神經網絡模型對軸承振動信號的映射計算，能夠從原始數據中自動學習和提取重要的模式和特征。與傳統的基于規則或淺層機器學習方法相比，深度學習模型在處理大規模數據和復雜信號時表現出色。它能夠在實時或接近實時的情況下處理數據，使得在線監控和早期故障檢測成為可能。這種技術的主要優勢在于其高度的自動化能力和對復雜數據結構的處理能力，適用于工業中高效的設備監控和維護系統。

3、例如中國專利申請cn?118423236a揭示了一種基于振動時域和頻域信號分析的風電齒輪箱瑕疵檢測系統，通過結合時域和頻域數據分析建立檢測模型，并通過訓練和測試進行優化，從時域分析與頻域分析中提取計算特征進行融合分析，通過神經網絡建立檢測模型；利用已知瑕疵的訓練集對檢測模型進行訓練和驗證。但是這種軸承振動檢測模型中的時域和頻域的特征(如峰度、嚙合指數、角相似度等)采用的是人工提取的方式，這種方式依賴有經驗的技術人員，并且可能無法全面捕捉齒輪箱振動信號的所有特性，特別是在應對復雜、非線性信號的工況下。另外其采用監督學習方法進行瑕疵檢測模型的訓練，必須依賴大量標注數據。對于風電齒輪箱瑕疵檢測來說，獲取真實的、有標簽的瑕疵數據可能非常困難，尤其是不同類型和程度的故障數據較為稀缺。其訓練模塊是利用已知瑕疵的訓練集對檢測模型進行訓練和驗證；其測試優化模塊也是利用已知瑕疵的測試集對檢測模型進行測試和優化。也就是說，需要訓練集中的故障類型需要人工打標簽，智能化不夠，為不同的故障類型的數據采集準確的標簽存在很大的限制。進一步的，正常數據和瑕疵數據的比例往往嚴重不平衡，大多數數據是正常工況，瑕疵數據相對較少。此類不平衡數據會導致模型傾向于預測正常工況，影響檢測精度。此外，稀少的異常數據也增加了模型訓練的難度，使得模型難以有效學習到故障特征。

4、又如中國專利cn?114722952b揭示了一種基于表示學習的軸承故障檢測和分類的一體化方法，解決現有采用數據驅動的方法進行軸承故障診斷過程中，獲得大量的軸承故障樣本是十分困難的，以及為不同的故障類型的數據設計準確的標簽存在很大的限制的問題。其具體過程為：1、提取軸承的振動數據；2、特征提?。簭臅r域、頻域2個角度提取數據的特征；3、搭建故障檢測神經網絡：故障檢測神經網絡包括編碼器、噪聲引入、自注意力機制層以及解碼器；4、訓練故障檢測神經網絡；5、搭建故障分類神經網絡；6、訓練故障分類神經網絡；7、在線故障檢測與故障分類。該技術方法無需任何故障標簽數據，能夠實現在無監督的條件下故障的檢測。與此同時，在小樣本故障條件下，僅僅采用很少的故障樣本進行離線訓練，從而實現軸承的故障分類。該技術方法具體是提出的遷移學習假設源域(健康數據)與目標域(故障數據)之間具有相似的特征分布。但是，若目標域的數據分布與健康數據差異較大，例如在設備或工況發生顯著變化時，遷移學習的效果可能受到限制，模型的泛化能力也會減弱。并且，該技術方法依賴于健康數據的充足性和代表性。模型在健康數據上進行訓練，學習健康狀態下的特征分布。然而，健康數據中的特征信息可能較為單一，無法涵蓋潛在的故障特征，因此模型在面對新出現的未知故障時可能難以有效識別。

技術實現思路

1、為解決現有技術中的問題，本發明的目的在于提供一種軸承振動信號處理模型的構建方法、軸承振動信號處理模型及軸承振動信號分類方法。

2、為實現上述目的，本發明提供如下技術方案：

3、一種軸承振動信號處理模型的構建方法，包括如下步驟：

4、步驟s1、獲取軸承振動信號樣本xi，形成時域信號樣本集x∈{x1,x2,…,xn}，每個時域信號的長度是l；使用快速傅里葉變換將每個所述軸承振動信號樣本xi轉變成軸承振動頻域信號樣本形成與所述時域信號樣本集x對應的頻域信號樣本集

5、步驟s2、計算所述時域信號樣本集x中的軸承振動時域信號樣本兩兩之間的dtw距離st(xi,xj)，其中xi,xj是指任意兩個時域信號樣本；

6、步驟s3、計算所述頻域信號樣本集xf中的軸承振動頻域信號樣本兩兩之間的歐氏距離其中和是指任意兩個頻域信號樣本；

7、步驟s4、分別將所述時域信號樣本集x和所述頻域信號樣本集xf輸入各自的軸承振動信號處理編碼器進行映射計算，得到帶有通道權重的時域信號樣本特征表示集合pt∈{p1,p2,…,pn}，以及帶有通道權重的頻域信號樣本特征表示集合

8、步驟s5、分別計算所述時域信號樣本特征表示集合pt∈{p1,p2,…,pn}中的軸承振動時域信號樣本特征表示兩兩之間的馬氏距離dt(pi,pj)和所述頻域信號樣本特征表示集合中的軸承振動頻域信號樣本特征表示兩兩之間的馬氏距離

9、步驟s6、通過所述步驟s2計算所得時域信號樣本xi和xj的dtw距離st(xi,xj)和步驟s5計算所得時域信號樣本xi和xj的馬氏距離dt(pi,pj)構建用于訓練所述軸承振動信號處理編碼器的時域信號損失函數，該時域信號損失函數為：

10、lt＝smooth(dt(pi,pj),st(xi,xj))

11、其中pi和pj分別是時域信號樣本xi和xj經過所述編碼器映射計算后得到的時域信號樣本特征表示；

12、同理，通過所述步驟s3計算所得頻域信號樣本和的歐氏距離和步驟s5計算所得頻域信號樣本和的馬氏距離構建訓練所述軸承振動信號處理編碼器的頻域信號損失函數，所述頻域信號損失函數為：

13、

14、其中分別是頻域信號樣本和經過所述編碼器映射計算后得到的頻域信號樣本特征表示；

15、步驟s7、將計算得到的時域信號損失函數、頻域信號損失函數分別運用在各自的所述軸承振動信號處理編碼器，對應訓練形成時域信號編碼器和頻域信號編碼器；

16、步驟s8、將時域信號樣本集x∈{x1,x2,…,xn}中的時域信號樣本xi和中的頻域信號樣本輸入各自的已經訓練好的時域信號編碼器和頻域信號編碼器進行映射計算，得到修正后的帶有通道權重的時域信號樣本特征表示pi和頻域信號樣本特征表示pif；

17、步驟s9、將所述時域信號樣本特征表示pi和頻域信號樣本特征表示pif進行一一對應融合，公式為：pfused＝concat(pi,pif)，其中concat表示特征拼接操作，實現兩個特征表示對應維度上的拼接。

18、進一步的，所述步驟s2具體為運用softmin-dtw函數平滑累計可能路徑的距離，所述softmin-dtw函數具體公式如下，

19、

20、其中，xi,xj是兩個時域信號樣本，長度為l，st(xi,xj)是該兩個時域信號樣本之間的dtw距離，計算得到的所述dtw距離越小則代表兩個時域信號樣本xi,xj越相似；是第i個樣本中第t個數據，是第i個樣本中通過路徑π與對齊的那個數據，π(t)表示在路徑π上與t對應的索引；是兩個點和之間的距離度量；是對每條路徑的距離加權，α是一個用于調節不同路徑對最終距離的貢獻程度的超參數。

21、進一步的，所述步驟s3采用的計算公式為

22、

23、其中和是兩個頻域信號樣本，是該兩個頻域信號樣本之間的歐氏距離，計算得到的所述歐氏距離越小則代表兩個頻域信號樣本越相似；m是頻率區間的數量；和分別是樣本i和j在第k個頻率分量上的值。

24、進一步的，所述步驟s4中，所述編碼器為帶注意力機制的卷積神經網絡。

25、進一步的，所述步驟s5采用的計算公式為

26、

27、其中pi,pj是兩個時域信號樣本特征表示，dt(pi,pj)是該兩個時域信號樣本特征表示之間的馬氏距離，計算得到的所述馬氏距離越小則代表兩個時域信號樣本特征表示越相似；(pi-pj)t是轉置矩陣，s-1是向量集合的協方差矩陣的逆矩陣；

28、同理計算所述軸承振動頻域信號樣本特征表示兩兩之間的馬氏距離其中是兩個頻域信號樣本特征表示，計算得到的所述馬氏距離越小則代表兩個頻域信號樣本特征表示越相似。

29、進一步的，所述步驟s6中，設計smooth函數計算兩者損失，公式如下，

30、

31、其中x是dtw距離st(xi,xj)和馬氏距離dt(pi,pj)之間的差值。

32、本發明還揭示了一種軸承振動信號處理模型，是通過根據如上所述的軸承振動信號處理模型的構建方法構建。

33、本發明還揭示了一種軸承振動信號分類方法，采用線性分類器對所述軸承振動信號進行分類，所述線性分類器使用根據上述方法拼接后得到的特征表示集合r∈{pfused1,pfused2,…,pfusedi}來訓練。

34、本發明的有益效果主要體現在：

35、1.提升泛化能力。一方面，本發明采用自監督學習方法，在無標簽樣本上進行訓練編碼器(帶注意力機制的卷積神經網絡)，因此編碼器可以處理各種正常或異常的振動信號，使得編碼器在訓練過程中能夠學習到更廣泛的數據分布，提升模型的泛化能力。另一方面，采用特征融合后的特征多維度空間包含了更多的信息，使得模型在遇到新的或復雜的振動信號時，能夠從更多的角度進行分析，更有助于提高復雜振動信號的泛化能力。

36、2.增強對軸承未知故障類型振動信號的識別能力。通過最小化時域和頻域損失函數中不同距離dt與st以及df與sf之間的差值，能夠引導編碼器(帶注意力機制的卷積神經網絡)提取信號中的相似特征表示，使其在特征空間中聚集，而不相似的特征則分離。這一過程使得編碼器學會了如何將相似的信號歸類。如此，訓練好的編碼器(帶注意力機制的卷積神經網絡)在處理未知故障類型的振動信號時，能夠發現該信號中某些特征表示與其他信號均不同，從而在特征空間中將這些特征表示聚集，并與其他信號的特征表示遠離，從而實現對未知故障類型振動信號的識別。

37、3.降低人工標注樣本的難度和成本。工業設備的故障標簽通常需要由具備專業知識的工程師或專家來標注。然而，專業標注人員不僅成本高，而且標注過程耗時長，效率低。本發明提出的方法只在訓練故障分類器時需要少量的帶標簽樣本，可以節省大量的人力和時間資源。