本发明属于故障诊断领域，具体涉及一种基于动态模式融合的轴承故障诊断方法及系统。
背景技术：
1、在现代工业体系中，轴承作为旋转机械设备中的关键部件，其运行状态直接关系到整个系统的稳定性、安全性和运行效率。轴承故障若未能及时发现并处理，往往会导致设备停机、损坏，甚至引发严重事故，造成巨大的经济损失和安全隐患。因此，发展高效、准确的轴承故障诊断技术，对于保障设备健康运行、预防重大事故、提升生产效益具有不可估量的价值。
2、当前，轴承故障诊断的方法主要分为传统信号处理方法和基于数据驱动的智能诊断方法。传统信号处理方法主要包括时域分析、频域分析和时频分析等，这些方法能够实时反映轴承的运行状态，但易受环境噪声干扰，且依赖于专业的信号处理知识和经验，对于故障特征的提取和分析具有一定的局限性。基于数据驱动的智能诊断方法，如支持向量机、深度神经网络等，可以从大量数据中自动学习和提取故障特征，提高了诊断的准确性和效率。这些方法减少了对领域专业知识的依赖，并在处理海量数据方面表现出显著的优势，已在轴承故障诊断中得到了广泛的应用。
3、然而，尽管基于数据驱动的方法在故障诊断中显示出良好的性能，但它们在实际应用中仍面临着挑战。首先，实际工况下轴承故障数据的采集容易受到限制，导致训练数据不足，难以构建有效的诊断模型。其次，现有的诊断方法对于复杂工况下的故障特征提取能力有限，特别是面对变工况、重载荷、高转速、强噪声等恶劣环境时，模型的泛化性和实时性较差，容易产生误诊和漏诊。此外，仅基于数据训练得到的模型通常被视为一种“黑箱”模型，其结果难以令人信服，因此提高模型的可解释性仍是一个挑战。
技术实现思路
1、本发明为了解决上述问题，提出了一种基于动态模式融合的轴承故障诊断方法及系统，本发明使用确定学习算法提取轴承振动信号的局部动力学信息，并通过聚类分析、知识融合获得对每一类别更全面和深入的动态知识表达，进一步基于最小残差原则进行动力学模式匹配，实现轴承故障诊断。本发明通过整合不同样本的动态信息，提高了模型对新工况的泛化能力，在故障检测的准确性、鲁棒性、可解释性以及对复杂工况的适应性方面均展现出显著的性能提升。
2、根据一些实施例，本发明采用如下技术方案：
3、一种基于动态模式融合的轴承故障诊断方法，包括以下步骤：
4、获取轴承多个测点、多种工况下的不同故障类型振动信号数据，并对数据进行预处理；
5、利用确定学习算法对预处理后的各振动信号分别进行局部准确动力学建模，提取数据内在的动力学信息，以神经网络的常值权重形式表达，组成动态模式库；
6、针对模式库中的不同动态模式，构建动力学相似性度量矩阵，通过聚类分析将动力学特性相似的动态模式归为同一簇，得到不同的簇；
7、针对同一簇中的若干动态模式，利用权重融合算法进行动态模式融合；
8、将待诊断的振动信号与融合后的动态模式库进行动态比较，基于最小残差原则进行动力学模式匹配，得到故障诊断结果。
9、作为可选择的实施方式，所述多个测点设置于轴承的不同位置；
10、多种工况包括故障轴承的不同运行环境，包括不同转速或/和负载的运行环境；
11、不同故障类型包括轴承内圈故障、外圈故障、滚珠故障和无故障中的若干故障类型。
12、作为可选择的实施方式，所述预处理过程包括使用高增益观测器将原始单维数据扩展成两维；对扩展后的两维数据进行带通滤波；对带通滤波后的数据进行最大值归一化处理。
13、作为可选择的实施方式，利用确定学习算法对预处理后的各振动信号分别进行局部准确动力学建模的过程包括：
14、两维振动信号在相空间中形成类周期/回归轨迹，以满足持续激励条件，利用沿状态轨迹的rbf神经网络实现对未知系统动态的建模：
15、；
16、其中，是非线性系统的未知动力学，为训练收敛后的rbf神经网络权重，为rbf神经网络的回归向量，为建模误差；
17、依次对数据集中的所有振动信号进行动力学建模，得到包含个神经网络权重的动态模式库，其中，代表动态模式数量。
18、作为可选择的实施方式，利用确定学习算法对预处理后的各振动信号分别进行局部准确动力学建模的过程中，不同测点、不同工况下的振动信号分别建模，每条振动信号对应一个神经网络常值权重，并组成动态模式库。
19、作为可选择的实施方式，构建动力学相似性度量矩阵的过程包括：
20、基于振动信号动态模式库，构建一组动态估计器：
21、；
22、其中，表示上一时刻动态估计器的状态，表示上一时刻动态估计器的输入，为动态估计器增益，为振动信号采样周期，为rbf神经网络回归向量；
23、将其中一个动态模式对应的原始振动信号输入到所述动态估计器中，产生该动态模式相对模式库中其他动态模式的动力学识别残差，计算识别残差的范数作为动力学距离，以度量动态模式间的相似性；
24、计算得到所有动态模式间的动力学距离后，形成矩阵形式，根据动力学相似性矩阵进行聚类分析。
25、作为可选择的实施方式，通过聚类分析将动力学特性相似的动态模式归为同一簇的过程包括：
26、s1：选择一组样本作为初始簇中心点；
27、s2：将剩余样本分配给距其最近的簇中心点所在的簇；
28、s3：计算每簇中各样本到其余样本的动力学距离之和，选择动力学距离之和最小的样本作为该簇新的中心点；
29、s4：计算所有簇的动力学距离之和，用于评估聚类质量；
30、s5：重复步骤s2-s4，直到动力学距离之和趋于稳定，或者中心点不再变化，又或者达到预先指定的迭代次数。
31、作为可选择的实施方式，利用权重融合算法进行动态模式融合的过程包括：
32、针对每个簇中的所有相近/相似动态模式，求解能融合所有相近/相似动态模式的神经网络权值，融合网络权值满足以下等式：
33、；
34、其中，表示第个簇融合后的神经网络权重，表示第个簇中的第个动态模式，是第个簇中的动态模式数量，表示第个簇中的第个动态模式对应的振动信号，是神经网络的输入，表示动态模式对应的rbf神经网络回归向量。
35、使用基于子空间约束下最小二乘法求解上述方程：
36、；
37、其中，，，，下标表示由激励程度高的神经元构成的回归子向量对应的子空间。
38、作为可选择的实施方式，将待诊断的振动信号通过动态估计器与融合后的动态模式库比较，其中，所述动态估计器，通过融合后的动态模式库构建：
39、；
40、其中，表示上一时刻动态估计器的状态，表示上一时刻动态估计器的输入，为动态估计器增益，为融合后的第个动态模式权重，为待诊断振动信号采样周期，为rbf神经网络回归向量。
41、待诊断振动信号作为输入，利用所述动态估计器产生该振动信号相对模式库中所有动态模式的动力学识别残差。
42、一种基于动态模式融合的轴承故障诊断系统，包括：
43、信号获取模块，被配置为获取轴承多个测点、多种工况下的不同故障类型振动信号数据，并对数据进行预处理；
44、动态模式库构建模块，被配置为利用确定学习算法对预处理后的各振动信号分别进行局部准确动力学建模，提取数据内在的动力学信息，以神经网络的常值权重形式表达，组成动态模式库；
45、聚类分析模块，被配置为针对模式库中的不同动态模式，构建动力学相似性度量矩阵，通过聚类分析将动力学特性相似的动态模式归为同一簇，得到不同的簇；
46、动态模式融合模块，被配置为针对同一簇中的若干动态模式，利用权重融合算法进行动态模式融合；
47、故障诊断模块，被配置为将待诊断的振动信号与融合后的动态模式库进行动态比较，基于最小残差原则进行动力学模式匹配，得到故障诊断结果。
48、与现有技术相比，本发明的有益效果为：
49、1、本发明利用确定学习算法，挖掘轴承信号的内在系统动力学特性，从而提取出比传统方法更敏感、更具判别性的故障动力学特征。该动力学特征通过有限样本数据就能准确提取，避免了对大规模训练数据的依赖，尤其适用于数据收集困难等小样本场景。
50、2、本发明提出的基于动力学信息的聚类分析和模式融合方法，通过整合不同样本的动态信息，形成一个更全面和深入的动态知识表达。将已有确定学习的动力学建模范围从局部空间扩展到全局空间，实现了对大范围有效动力学模型的建立，增强了模型对新工况的泛化能力，显著提升了故障检测的准确性、鲁棒性和对复杂工况的适应性。
51、3、本发明提取振动信号中的动力学特征，并通过度量动力学差异实现故障检测。该策略与已有结论“系统故障源于健康状态到故障状态的动力学特性改变”相一致，在诊断决策的可解释性方面具有显著优势。
52、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。