本發明屬于旋轉機械故障檢測，具體涉及一種基于魯棒多工況過程模型的主軸加工復合故障檢測方法。

背景技術：

1、主軸加工設備在機械制造領域占據關鍵地位，其性能直接影響產品加工精度與質量。然而，在實際運行中，主軸加工設備常處于復雜工況，如負載突變、轉速波動等，加之機械磨損、電氣故障等因素相互作用，易引發復合故障。傳統故障檢測方法多針對單一工況或單一故障類型，難以在變工況下有效檢測復合故障，導致故障誤報、漏報頻發，嚴重影響生產效率與設備可靠性。因此，研究基于魯棒多工況過程模型的主軸加工復合故障檢測，可精準識別變工況下復合故障，提高設備運行安全性與穩定性，對推動機械加工行業發展意義重大。

2、現有復合故障檢測方法大致分為有監督、半監督和無監督三類。其中，無監督方法在無標簽數據時使用，基于數據自身特征識別異常。例如，k-means靠數據點與聚類中心距離劃分簇，缺陷是對初始中心敏感，確定聚類數難，因無先驗知識易導致聚類不合理。類似的方法還包括密度方法，如dbscan依數據點周圍密度判斷，高維時密度估計不準，參數影響大，因高維數據復雜使密度衡量困難。半監督方法用于少量標記數據場景，常見的包括圖方法，如標記傳播算法利用數據點相似性構圖判斷異常，計算復雜，對圖構建敏感，因計算關系多且構建策略影響相似性衡量。有監督方法用大量標記數據訓練模型，常見的神經網絡方法如多層感知器和卷積神經網絡學習數據與故障標簽映射，訓練消耗資源多，模型復雜易過擬合，需調整大量權重且易過度學習訓練細節。此外，以深度學習為代表的復合故障檢測方法，其多層非線性映射導致網絡具有“黑盒”特性，模型缺乏可解釋性。

技術實現思路

1、本發明的目的在于提供一種基于魯棒多工況過程模型的主軸加工復合故障檢測方法，提升模型的可解釋性，同時增強故障檢測的有效性。

2、為實現上述目的，本發明所采取的技術方案為：

3、一種基于魯棒多工況過程模型的主軸加工復合故障檢測方法，所述基于魯棒多工況過程模型的主軸加工復合故障檢測方法，包括：

4、采集主軸加工設備正常運行狀態下的電流信號并預處理；

5、預處理后的電流信號依次經過小波核注意力卷積層和卷積自編碼器，其中，小波核注意力卷積層先利用多種小波基函數對預處理后的電流信號進行多尺度的可解釋特征提取，接著采用softmax函數處理可解釋特征得到樣本顯著特征，由1-d卷積層構成的卷積自編碼器根據樣本顯著特征得到內含多個小波分解結果的樣本低維表示；

6、構建高斯混合隱馬爾可夫模型，通過狄利克雷過程獲得最優高斯組件個數，利用估計網絡估計高斯混合隱馬爾可夫模型中每個隱狀態對應觀測序列的混合隸屬度和狀態轉移概率，根據混合隸屬度和狀態轉移概率的估計值計算高斯混合隱馬爾可夫模型的參數，進而根據高斯混合隱馬爾可夫模型計算樣本低維表示對應的能量；

7、構建包括樣本重構誤差、樣本低維表示對應的能量、懲罰項和變分貝葉斯推斷的證據下界的聯合優化框架損失函數，通過最小化聯合優化框架損失函數更新小波核注意力卷積層、卷積自編碼器和估計網絡的參數至收斂；

8、在故障檢測階段，將新采集的電流信號經過小波核注意力卷積層和卷積自編碼器得到待檢測樣本低維表示，并將待檢測樣本低維表示輸入高斯混合隱馬爾可夫模型獲得能量，將待檢測樣本低維表示對應的能量與閾值進行比較，得到主軸加工設備復合故障檢測結果，所述閾值取所有訓練樣本的第99個百分位數。

9、以下還提供了若干可選方式，但并不作為對上述總體方案的額外限定，僅僅是進一步的增補或優選，在沒有技術或邏輯矛盾的前提下，各可選方式可單獨針對上述總體方案進行組合，還可以是多個可選方式之間進行組合。

10、作為優選，所述小波核注意力卷積層先利用多種小波基函數對預處理后的電流信號進行多尺度的可解釋特征提取，接著采用softmax函數處理可解釋特征得到樣本顯著特征，包括：

11、取預處理后的電流信號xi＝{xi(1),xi(2),…xi(l)}和多種小波基φq(·)，xi表示第i個預處理后的電流信號，即第i個輸入樣本，xi(l)表示輸入樣本xi中的第l個數據，輸入樣本與小波核函數之間的相似系數表示為：

12、

13、其中，表示針對第l個數據的第q種依賴于兩個可調參數σw和uw的小波核函數，σw為縮放因子，uw為移位因子，q＝1,…,q，q表示選取的小波基總種類，w表示通道數，ρi,w,q(l)表示輸入樣本xi與小波核函數之間的相似系數，xi(m)表示輸入樣本xi中的第m個數據，m為索引且m＝1,…,l，表示小波核函數的復共軛，表示針對第l-m個數據的第q種依賴于兩個可調參數σw和uw的小波核函數，n表示輸入樣本數量，l表示每個輸入樣本的長度；

14、選取小波核函數從長度為l的輸入樣本提取可解釋特征為則多種小波核函數從輸入樣本中提取得到的可解釋特征表示為：

15、

16、其中，si表示第i個輸入樣本提取得到的可解釋特征，si,w,q表示第q種小波核函數在第w個通道內提取的第i個輸入樣本的可解釋特征，表示si,w,q的轉置，w表示卷積通道總數，w＝1,…,w，q＝1,…,q；

17、接著采用softmax函數處理可解釋特征得到樣本顯著特征用公式表示為：

18、

19、其中，q*為q個小波核函數中在通道內提取到樣本顯著特征的小波核函數的索引，si,w,q*表示第q*種小波核函數在第w個通道內提取的第i個輸入樣本的可解釋特征，表示si,w,q*的轉置。

20、作為優選，所述由1-d卷積層構成的卷積自編碼器根據樣本顯著特征得到內含多個小波分解結果的樣本低維表示，包括：

21、

22、其中，zi表示第i個輸入樣本的樣本低維表示，表示第i個輸入樣本的樣本顯著特征，θe表示1-d卷積層的權重，conv1d(；)表示1-d卷積層。

23、作為優選，所述通過狄利克雷過程獲得最優高斯組件個數，包括：

24、取g是一個滿足狄利克雷過程的分布，則：

25、g～dp(α,g0)

26、其中，α是濃度參數，g0是beta分布，用于生成每個高斯組件的均值μj和協方差σj；

27、第j個高斯組件的權重πj通過第j次從beta分布中抽取的權重vj，以及前j-1個高斯組件的未使用的權重1-vi確定，公式表示如下：

28、

29、其中，vi表示前j-1個高斯組件中第i個高斯組件的已使用的權重；

30、不斷從beta分布中采樣并將剩余的權重分配給下一個高斯組件，直至所有權重分配完畢，同時滿足

31、在自適應確定高斯組件個數j時，通過設定閾值ε過濾掉權重小于閾值ε的高斯組件，統計所有權重πj大于閾值ε的高斯組件個數，具體過程如下：

32、

33、其中，是指示函數，當πj≥ε時為1，否則為0。

34、作為優選，所述利用估計網絡估計高斯混合隱馬爾可夫模型中每個隱狀態對應觀測序列的混合隸屬度和狀態轉移概率，包括：

35、取兩個多層神經網絡作為估計網絡，給定樣本低維表示的長時間連續觀測序列z，利用多層神經網絡分別估計隱藏狀態的狀態轉移概率矩陣和給定隱藏狀態下每個樣本的混合隸屬度矩陣：

36、

37、其中，θa和θb分別對應兩個多層神經網絡的權重參數，表示狀態轉移概率矩陣的估計，表示混合隸屬度矩陣的估計，mln(·)和softmax(·)分別表示多層神經網絡和激活函數，m表示隱藏狀態的數量，j表示高斯組件個數。

38、作為優選，所述構建包括樣本重構誤差、樣本低維表示對應的能量、懲罰項和變分貝葉斯推斷的證據下界的聯合優化框架損失函數，包括：

39、構建聯合優化框架損失函數如下：

40、

41、其中，n為輸入樣本數量，λ1、λ2和λ3是加權系數，dis(xi,xi′)為第i個輸入樣本和第i個重構的輸入樣本之間的重構誤差，e(χ)為樣本低維表示對應的能量，表示懲罰項，為變分貝葉斯推斷的證據下界，以狄利克雷過程作為先驗的變分貝葉斯推斷的證據下界的計算如下：

42、

43、其中，elbo表示以狄利克雷過程作為先驗的變分貝葉斯推斷的證據下界，p(z,π,q)表示包含樣本低維表示z、混合系數π和隱狀態q的聯合概率分布，q(π,q)表示用于近似后驗分布的變分分布，是聯合概率分布的期望值，是變分分布的熵項。

44、本發明提供的一種基于魯棒多工況過程模型的主軸加工復合故障檢測方法，與現有技術相比，具有以下有益效果：

45、1、提出了一種小波核注意力卷積自編碼器，通過選用多個不同小波基構成的小波核函數，對時序數據進行多尺度信號處理，充分運用小波分解獲得的時頻域特征，提升模型的可解釋性。

46、2、引入高斯混合隱馬爾可夫模型，刻畫適用于變工況的電流信號建模過程，并使用狄利克雷過程自適應確定高斯組件數，以適應不同工況下的數據分布特性，提高本方法的適用性。

47、3、設計了變分貝葉斯推斷的證據下界作為損失函數項，通過估計變工況數據的真實分布來提高模型的穩定性和魯棒性，優化模型在半監督學習中的泛化能力，從而增強故障檢測的有效性。

48、4、設計了一個基于小波核注意力卷積自編碼器的壓縮網絡和基于高斯混合隱馬爾可夫模型的估計網絡的聯合優化框架，以端到端的方式誘導變工況數據在壓縮網絡的表示學習和估計網絡的密度估計。

49、5、提出了一種基于非侵入量測的故障檢測方法，充分利用了設備內置傳感信息，避免了侵入式量測對設備造成的損傷，提高了設備的穩定性。