CN116127297A - 机电设备故障诊断方法和*** - Google Patents

Abstract

本发明公开了一种机电设备故障诊断方法和***，可应用于设备故障处理技术领域。本发明通过在故障诊断网络模型中设置若干个编码器模块和解码器模块，并在每个自注意力模块中分别设置概率稀疏自注意力子模块和自注意力蒸馏子模块，使得在通过时序数据对故障诊断网络模型进行训练时，可以通过概率稀疏自注意力子模块提取时序数据的特征信息，并通过自注意力蒸馏子模块对特征信息进行压缩后得到特征序列，以缩减时刻复杂度，有效提高对长序列输入数据的处理效率，进而扩展模型的可伸缩性。

Description

机电设备故障诊断方法和***

技术领域

本发明涉及设备故障处理技术领域，尤其是一种机电设备故障诊断方法和***。

背景技术

相关技术中，随着机电设备的服役时间增长，其故障率也会随之增加，导致维护成本和修理周期以及误工成本都会随之增加。目前，机电设备的故障诊断方式是将收集到的振动信号经过离散小波变换后，计算各尺度信号的方差，最后根据对数方差的斜率估计基于小波的多尺度斜率特征，实现了故障类型的识别以及对机电设备磨损的诊断。但是，这种方式对于时序数据的故障诊断的时间空间计算复杂度较高，且对内存的需求比较大，从而限制了模型在接收长序列输入时的可伸缩性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种机电设备故障诊断方法和***，能够有效提高对长序列输入数据的处理效率，扩展模型的可伸缩性。

一方面，本发明实施例提供了一种机电设备故障诊断方法，包括以下步骤：

获取机电设备的历史监测数据作为第一时序数据，所述第一时序数据包括机电设备的正常数据和不同类型的故障数据；

通过所述第一时序数据训练故障诊断网络模型；

获取机电设备的当前监测数据；

将所述当前监测数据输入到训练好的所述故障诊断网络模型，得到所述机电设备的故障诊断结果；

其中，所述故障诊断网络模型包括若干个编码器模块和解码器模块；

所述若干个编码器模块首尾连接且每个所述编码器模块均包括若干个自注意力模块，所述若干个自注意力模块首尾连接且每个所述自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块；所述概率稀疏自注意力子模块用于提取所述第一时序数据的特征信息，所述自注意力蒸馏子模块用于对所述特征信息进行压缩后得到特征序列；

所述解码器模块用于根据所述特征序列预测得到所述历史监测数据对应的故障诊断结果。

在一些实施例中，在所述获取机电设备的历史监测数据作为第一时序数据后，所述方法还包括以下步骤：

对所述第一时序数据进行归一化操作；

对归一化处理后的历史监测数据进行快速傅里叶变化，得到频域数据；

取所述频域数据的一半进行傅里叶逆变换。

在一些实施例中，所述故障诊断网络模型还包括多尺度卷积模块，所述多尺度卷积模块用于对所述第一时序数据和对应的时间戳进行卷积后相加。

在一些实施例中，所述自注意力蒸馏子模块包括卷积层、激活层和最大池化层；所述卷积层通过所述激活层与所述最大池化层连接，所述最大池化层的步长为2。

在一些实施例中，所述解码器模块包括生成式解码器。

在一些实施例中，所述通过所述第一时序数据训练故障诊断网络模型，包括：

将所述第一时序数据分成训练集和测试集；

将所述训练集输入所述故障诊断网络模型进行训练后，将所述测试集输入训练后的所述故障诊断网络模型进行预测效果测试。

在一些实施例中，在所述故障诊断网络模型进行训练时，所述方法还包括以下步骤：

计算所述故障诊断网络模型对应的交叉熵损失函数。

在一些实施例中，所述交叉熵损失函数如下公式：

其中，y表示真实分布，

表示网络输出分布，n表示总的类别数。

在一些实施例中，通过以下公式对所述第一时序数据进行归一化操作：

其中，x表示第一时序数据，y表示归一化后的数据，max表示所有所述第一时序数据中的最大值，min表示所有所述第一时序数据中的最小值。

另一方面，本发明实施例提供了一种机电设备故障诊断***，包括：

第一模块，用于获取机电设备的历史监测数据作为第一时序数据，所述第一时序数据包括机电设备的正常数据和不同类型的故障数据；

第二模块，用于通过所述第一时序数据训练故障诊断网络模型；

第三模块，用于获取机电设备的当前监测数据；

第四模块，用于将所述当前监测数据输入到训练好的所述故障诊断网络模型，得到所述机电设备的故障诊断结果；

其中，所述故障诊断网络模型包括若干个编码器模块和解码器模块；

所述若干个编码器模块首尾连接且每个所述编码器模块均包括若干个自注意力模块，所述若干个自注意力模块首尾连接且每个所述自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块；所述概率稀疏自注意力子模块用于提取所述第一时序数据的特征信息，所述自注意力蒸馏子模块用于对所述特征信息进行压缩后得到特征序列；

所述解码器模块用于根据所述特征序列预测得到所述历史监测数据对应的故障诊断结果。

本发明实施例提供的一种机电设备故障诊断方法，具有如下有益效果：

本实施例通过在故障诊断网络模型中设置若干个编码器模块和解码器模块，并在每个自注意力模块中分别设置概率稀疏自注意力子模块和自注意力蒸馏子模块，使得在通过时序数据对故障诊断网络模型进行训练时，可以通过概率稀疏自注意力子模块提取时序数据的特征信息，并通过自注意力蒸馏子模块对特征信息进行压缩后得到特征序列，以缩减时刻复杂度，有效提高对长序列输入数据的处理效率，进而扩展模型的可伸缩性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明实施例一种机电设备故障诊断方法的流程图；

图2为本发明实施例一种故障诊断网络模型的示意图；

图3为本发明实施例一种自注意力蒸馏子模块的示意图；

图4为本发明实施例一种机电设备故障诊断方法的应用流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在智能制造背景下，机电设备工况更加复杂，运行条件更加严峻，设备的运行状态监测与故障诊断更加重要。随着机电设备的服役时间增长，其故障率也会随之增加，导致维护成本和修理周期以及误工成本都会随之增加。为了解决由于设备突然故障导致的生产效率降低甚至停机，研究机电设备的故障诊断势在必行。

根据既往机械故障诊断实践，在故障检修阶段，相应的检修人员需要通过***连接提供的支持，并借助***接收的反馈信息，判断该机械设备是否存在故障。而故障类型的判断，即是在故障检出的基础上，借助相关的反馈信息，判断故障的类型以及故障发生的原因的过程。在正确判断故障类型后，检修人员就需要根据此前获得的信息以及既往的检修经验，进一步细化故障的种类以及故障发生的具***置，进而为故障维修做好准备。故障维修是在故障查明后，对设备进行处理，使之能够达到重新使用的过程，也是整个故障诊断任务中最为重要的一步。提早查明故障原因，可以保障人员安全和财产安全。

在故障诊断过程中，现有技术中的杨武成利用计算阶次分析法对振动信号角域重采样后，进一步利用Hilbert包络解调把低频故障信号从高频载波信号中解调出来，进而提取故障特征，最后通过比较故障特征系数来实现故障诊断。这种方法的主要工作流程是以固定时间间隔获取振动信号并实时获得转速信息，然后根据转速计脉冲计算出的旋转相位通过数值插值算法对振动信号重采样，从而将时域振动信号转化为角域振动信号。再对角域信号进行局部均值分解(LMD)得到多个乘积函数分量，通过分析各个乘积函数分量的频谱判断机电的故障类型和损伤程度从而进行故障诊断。这种方式尽管计算阶次跟踪法摆脱了模拟滤波器等硬件的局限性，节约了成本以及***复杂性，但是精度严重依赖于插值，并且需要转速计获取速度信息，导致该方法的应用受到了限制。

现有技术中的Li等发现由于快速傅里叶变换的窗口大小固定，无法针对频率自适应。小波变换使用面积固定而形状可变的窗函数通过多辨率分析能很好地平衡时间分辨率和频率分辨率，其本质为通过小波基函数对信号进行滤波和加权，小波基的选择是影响小波分析效果的关键。这种方法的主要工作流程是当电机运转时在其上方的放置一个加速度传感器收集机电设备的振动信息。对于不同的机电设备故障损伤预期希望它的振动频率应该也是不同的。然后将收集到的振动信号经过离散小波变换后，计算各尺度信号的方差，最后根据对数方差的斜率估计基于小波的多尺度斜率特征，实现了故障类型的识别以及对机电设备磨损的诊断。这种诊断方式对于时序数据的故障诊断的时间空间计算复杂度较高，且对内存的需求比较大，这限制了模型在接收长序列输入时的可伸缩性。

基于此，参照图1，本发明实施例提供了一种机电设备故障诊断方法，本实施例的方法可应用于云端服务器、边缘服务器或者机电设备故障诊断平台对应的处理器。

在应用过程中，本申请实施例的方法包括但不限于以下步骤：

步骤S110、获取机电设备的历史监测数据作为第一时序数据。

在本申请实施例中，第一时序数据包括机电设备的正常数据和不同类型的故障数据。具体地，本实施例的监测数据包括机电设备的振动数据、电流数据和转速数据。在获取到大量的历史监测数据后，本实施例通过对该监测数据进行归一化处理，以放置部分数据影响全局效果。其中，在进行归一化处理时，可以将处理结果控制在[0,1]区间内。示例性地，设原始监测数据为x，数据最大值为max，最小值为min，归一化输出结果为y，本实施例的归一化公式如公式(1)所示：

在本实施例中，在对原始监测数据进行归一化处理后，对归一化处理后的历史监测数据进行快速傅里叶变化，从而得到频域数据。示例性地，当归一化处理后的历史监测数据为x(t)，ω为谐波次数，则可以历史监测数据x(t)的傅里叶级数如公式(2)所示：

将x(t)转换为复数形式后的傅里叶变换如公式(3)所示：

由于变换之后的监测数据对应的频域数据具有对称性，本实施对公式(3)得到的数据进行逆变换后，通过公式(4)将其取半输出x′(t)来对模型进行训练：

在公式(4)中，L为原来监测数据的长度。

在本申请实施例中，在收集到历史监测数据后，也可以对历史监测数据进行降噪处理，从而从数据源上减少噪声，使得后续模型训练过程中可以降低噪声对模型精度的影响。

步骤S120、通过第一时序数据训练故障诊断网络模型。

在本申请实施例中，第一时序数据也可以采用原始监测数据取半后的数据待代替。在本实施例中，在获取到用于训练的时序数据后，本实施例可以通过将时序数据拆分为训练集和测试集，其中拆分比例可以是收集到的所有数据以8:2的比例进行拆分。然后将训练集输入故障诊断网络模型进行训练后，将测试集输入训练后的故障诊断网络模型进行预测效果测试。

在本申请实施例中，如图2所示，故障诊断网络模型包括若干个编码器模块和解码器模块；若干个编码器模块首尾连接呈现堆叠形式，并且每个编码器模块均包括若干个自注意力模块，若干个自注意力模块首尾连接呈现堆叠形式，并且每个自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块。概率稀疏自注意力子模块用于提取第一时序数据的特征信息，自注意力蒸馏子模块用于对特征信息进行压缩后得到特征序列；解码器模块用于根据特征序列预测得到历史监测数据对应的故障诊断结果。

具体地，本实施例的概率稀疏自注意力子模块能让每个注意力机制去优化每个时序数据的不同特征部分，从而均衡同一种注意力机制可能产生的偏差，可以从而提升模型的效率，并降低时空复杂度。自注意力蒸馏子模块能够增强故障特征的权重，缩短每一层输入的长度，降低空间复杂度，以减少计算代价。

可以理解的是，本实施例的概率稀疏自注意力子模块具有稀疏性，分布呈长尾分布，只有少数点积对主要故障特征的注意力有贡献，其他点积只有非常微弱的作用，因此可以忽略。基于这样的结果，通过公式(5)引入了ith query's attention(引起询问者的注意)：

在公式(5)中，

是P的分布，h_i表示query_i，l_j表示key_i。元素由地址key和值value组成，利用key_i:query_i来查找对应的attention的数值。公式(5)表示第i个query的attention系数形式。

在本实施例中，用KL散度(相对熵)评估第i个query(询问)稀疏性：评估故障特征的注意力分布的分布与均匀分布的差异。KL散度越大，说明故障特征的注意力分布与均匀分布的距离越大，差异越大，说明越有可能单峰，即稀疏性越大。所以与服从均匀分布的结果进行比较(两个分布之间的KL散度)，每个key和前u个dominant queries(主要查询)的attention score(注意力得分)为如下公式(6)所示：

公式(6)是将输入进行标度点。在公式(6)中的变量

是和H的形状相同的一个稀疏矩阵，只包括top-u的queries，其他都是零。H表示query，L表示key，Q表示value，其中，

在该公式中，top-u中u的取值，u＝clnLH。即只需要LH的对数级别的top-u queries，从而可以保证降低最后的时间复杂度。在多头视角下，这种注意力为每个头生成不同的稀疏的“查询-键对”(query-key pairs)，从而避免了严重的信息丢失作为回报。

可以理解的是，本实施例中每个编码器模块的输入都是经过处理的机电设备时序数据和对应的时间戳。在本实施例中，再将时序数据和时间戳输入编码器模块之前，如图2所示，会经过一个卷积层Convld，使得时序数据和时间戳可以在该卷积层上进行卷积，从而得到大小为L*b的表示，再将两者的卷积结果进行相加后作为编码器模块的输入。

在本实施例中，概率稀疏自注意力子模块在对卷积后的时序数据进行特征提取后，每个概率稀疏自注意力子模块的输出都会经过一个自注意力蒸馏子模块的操作以减少其故障特征提取的时间空间复杂度。具体地，如图3所示，自注意力蒸馏子模块包括卷积层、激活层和最大池化层；卷积层通过激活层与最大池化层连接，最大池化层的步长为2。概率稀疏自注意力子模块的输出先输入Conv1d卷积层，再经过ELU激活层与步长为2的最大池化层，使得原故障序列依次减半变成原来的1/4L，再与长度为1/4L的Feature map拼接，作为编码器模块的输出。具体处理过程如公式(7)所示：

在公式(7)中，

包含了multi-head probspare self-attention以及在attention block中的关键操作，Convld表示时间序列上的一维卷积操作，并通过ELU作为激活函数。

在本申请实施例中，解码器模块为了算法生成长序列的输出，设置如公式(8)所示的输入：

在公式(8)中，将masked multi-head attention应用于probsparse self-attention的计算中，防止每个位置都注意到下一个位置，以此避免了自回归。最后，一个全连接层获得最终的输出，它的输出维度取决于在进行单变量预测还是多变量预测。Concat为全连接层。

在该公式中，前半部分是输入的所收集的机电设备的时间序列，将其定义为“Start token”，后半部分是需要预测的机电设备故障部分，其中梯度使用0填充。随后将序列通过一个掩码概率稀疏自注意层，最终通过一个全连接层，得到最后的故障分类结果。我们所用的生成式解码器可以一次性输出全部的预测结果，不会存在耗时的“动态解码”。

在本实施例中，在故障诊断网络模型进行训练时，通过交叉熵损失函数估计模型参数状态。其中，交叉熵损失函数如公式(9)所示：

在公式(9)中，对于单个样本，y表示真实分布，

表示网络输出分布，n表示总的类别数。

具体地，交叉熵损失函数做故障诊断分类时是效果不错的选择，同时当采集到的机电设备样本数据集不平衡时使用此损失函数，效果也表现的非常好，具有比较强的鲁棒性。

步骤S130、获取机电设备的当前监测数据；

步骤S140、将当前监测数据输入到训练好的故障诊断网络模型，得到机电设备的故障诊断结果。

在本实施例中，在完成故障诊断网络模型的训练后，将该故障诊断网络模型应用于实际的故障诊断过程，从而可以提高诊断效率和诊断准确度。

在一些实施例中，在对故障诊断网络模型进行训练时，如图4所示，可以包括但不限于以下步骤：

采集机电设备的监测数据；

对采集的监测数据进行归一化处理；

对归一化处理后的监测数据进行快速傅里叶变化FFT，转变得到对应的频域数据；

将频域数据划分为训练集和测试集；

通过训练集对故障诊断网络模型进行训练，并获取对训练集内数据的分类结果；

根据分类结果判断是否完成epoch，若未完成，则通过训练集继续训练故障诊断网络模型，反之，则确定模型训练完成，将测试集输入训练好的故障诊断网络模型中，并获取测试集对应的故障分类结果，将分类结果进行可视化输出。

综上所述，本申请实施例提供的机电设备故障诊断方法，通过对图结构的特殊处理转化成时序数据，经过概率稀疏自注意力模块提取特征信息，再通过自注意力蒸馏模块操作进行特征的压缩，编码器模块通过堆叠上述的两个模块来提高算法的鲁棒性。然后通过解码器模块接收一系列的长序列输入，并将预测目标位置填充为0，再通过经过掩码的注意力层，最后一步生成预测输出。基于这些处理过程，本实施例可以实现以下有益效果：

第一、解决了长时间序列的特征提取和降噪：采用局部时序特征转化成频域数据，这样节点能通过周围的许多节点学习到局部的特征，有别于依赖前后较少时序特征所带来的噪音问题，通过使用了概率稀疏自注意的编码器实现特征的提取。

第二、实现低复杂度的注意力模型：使用本实施例提供的编码器模块进行长序列预测，在编码器模块中设计概率稀疏自注意力机制和自注意力蒸馏机制，将时空复杂度进行缩减。同时使用了生成型解码器提高算法效率。低复杂度的同时提高准确率，实现高效的故障诊断模型。

本发明实施例提供了一种机电设备故障诊断***，包括：

第一模块，用于获取机电设备的历史监测数据作为第一时序数据，其中，第一时序数据包括机电设备的正常数据和不同类型的故障数据；

第二模块，用于通过第一时序数据训练故障诊断网络模型；

第三模块，用于获取机电设备的当前监测数据；

第四模块，用于将当前监测数据输入到训练好的所述故障诊断网络模型，得到机电设备的故障诊断结果；

其中，故障诊断网络模型包括若干个编码器模块和解码器模块；

若干个编码器模块首尾连接且每个编码器模块均包括若干个自注意力模块，若干个自注意力模块首尾连接且每个自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块；概率稀疏自注意力子模块用于提取所述第一时序数据的特征信息，自注意力蒸馏子模块用于对所述特征信息进行压缩后得到特征序列；

解码器模块用于根据所述特征序列预测得到所述历史监测数据对应的故障诊断结果。

本发明方法实施例的内容均适用于本***实施例，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (10)

1.一种机电设备故障诊断方法，其特征在于，包括以下步骤：

获取机电设备的历史监测数据作为第一时序数据，所述第一时序数据包括机电设备的正常数据和不同类型的故障数据；

通过所述第一时序数据训练故障诊断网络模型；

获取机电设备的当前监测数据；

将所述当前监测数据输入到训练好的所述故障诊断网络模型，得到所述机电设备的故障诊断结果；

其中，所述故障诊断网络模型包括若干个编码器模块和解码器模块；

所述若干个编码器模块首尾连接且每个所述编码器模块均包括若干个自注意力模块，所述若干个自注意力模块首尾连接且每个所述自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块；所述概率稀疏自注意力子模块用于提取所述第一时序数据的特征信息，所述自注意力蒸馏子模块用于对所述特征信息进行压缩后得到特征序列；

所述解码器模块用于根据所述特征序列预测得到所述历史监测数据对应的故障诊断结果。

2.根据权利要求1所述的一种机电设备故障诊断方法，其特征在于，在所述获取机电设备的历史监测数据作为第一时序数据后，所述方法还包括以下步骤：

对所述第一时序数据进行归一化操作；

对归一化处理后的历史监测数据进行快速傅里叶变化，得到频域数据；

取所述频域数据的一半进行傅里叶逆变换。

3.根据权利要求1所述的一种机电设备故障诊断方法，其特征在于，所述故障诊断网络模型还包括多尺度卷积模块，所述多尺度卷积模块用于对所述第一时序数据和对应的时间戳进行卷积后相加。

4.根据权利要求1所述的一种机电设备故障诊断方法，其特征在于，所述自注意力蒸馏子模块包括卷积层、激活层和最大池化层；所述卷积层通过所述激活层与所述最大池化层连接，所述最大池化层的步长为2。

5.根据权利要求1所述的一种机电设备故障诊断方法，其特征在于，所述解码器模块包括生成式解码器。

6.根据权利要求1所述的一种机电设备故障诊断方法，其特征在于，所述通过所述第一时序数据训练故障诊断网络模型，包括：

将所述第一时序数据分成训练集和测试集；

将所述训练集输入所述故障诊断网络模型进行训练后，将所述测试集输入训练后的所述故障诊断网络模型进行预测效果测试。

7.根据权利要求6所述的一种机电设备故障诊断方法，其特征在于，在所述故障诊断网络模型进行训练时，所述方法还包括以下步骤：

计算所述故障诊断网络模型对应的交叉熵损失函数。

8.根据权利要求7所述的一种机电设备故障诊断方法，其特征在于，所述交叉熵损失函数如下公式：

其中，y表示真实分布，

表示网络输出分布，n表示总的类别数。

9.根据权利要求2所述的一种机电设备故障诊断方法，其特征在于，通过以下公式对所述第一时序数据进行归一化操作：

其中，x表示第一时序数据，y表示归一化后的数据，max表示所有所述第一时序数据中的最大值，min表示所有所述第一时序数据中的最小值。

10.一种机电设备故障诊断***，其特征在于，包括：

第一模块，用于获取机电设备的历史监测数据作为第一时序数据，所述第一时序数据包括机电设备的正常数据和不同类型的故障数据；

第二模块，用于通过所述第一时序数据训练故障诊断网络模型；

第三模块，用于获取机电设备的当前监测数据；

第四模块，用于将所述当前监测数据输入到训练好的所述故障诊断网络模型，得到所述机电设备的故障诊断结果；

其中，所述故障诊断网络模型包括若干个编码器模块和解码器模块；

所述若干个编码器模块首尾连接且每个所述编码器模块均包括若干个自注意力模块，所述若干个自注意力模块首尾连接且每个所述自注意力模块均包括概率稀疏自注意力子模块和自注意力蒸馏子模块；所述概率稀疏自注意力子模块用于提取所述第一时序数据的特征信息，所述自注意力蒸馏子模块用于对所述特征信息进行压缩后得到特征序列；

所述解码器模块用于根据所述特征序列预测得到所述历史监测数据对应的故障诊断结果。

Images