基于监测数据投影分布学习的旋转机械设备故障检测方法

本发明涉及旋转机械设备故障检测，尤其涉及一种基于监测数据投影分布学习的旋转机械设备故障检测方法。

背景技术：

1、旋转机械设备广泛应用于工业生产生活中，例如航天航空、发动机和各种矿山机械等。作为各种工业机械的核心之一，旋转机械设备在使用过程中会随着运转时间的增加而出现轴承疲劳剥落、磨损、腐蚀和断裂等故障，影响设备正常运转，严重时可造成人员伤亡。对于在高速条件下作业的滚动轴承，其出现故障的概率会更高，危害更大。因此，研究旋转机械设备故障的异常检测方法，及时发现旋转机械设备所出现的故障，非常具有实用价值。

2、随着深度学习的发展与应用，基于深度学习的异常检测已经成为当代研究领域的一个热点问题。深度学习算法具有深度分层网络，可以自动从原始数据中学习并提取多级特征。近年来，注意力机制已被提出作为增强其他模型性能的技术，其独特的信息提取模型具有更大的研究潜力,得到了广泛的学者研究和应用。监测数据领域也需要注意力机制的内部关联和全局信息提取能力。

3、许多研究者使用自注意力来提高模型训练的稳定性。自注意力可以适当地设计到模型中，甚至可以将自我注意作为构建特征提取模块的基础，这样就可以减少模型对外部信息的依赖，更充分地提取特征的内部联系。然而，很难通过单个传感器的相关计算来捕捉机械监测数据的综合信息。现有方法对样本间的信息关联缺少关注，只能关注到单个异常时间序列的内部异常时序信息。这种时序信息会被大量正常模式和一些相似的异常信息所混淆，从而使得模型难以解决异常的稀疏性和临近异常分辨问题，同时，transformer结构也常常面临占用内存空间大和计算量巨大而难以部署应用的问题。

技术实现思路

1、为解决上述现有技术中存在的问题，本发明提供一种基于监测数据投影分布学习的旋转机械设备故障检测方法。

2、本发明的技术方案为：

3、一种基于监测数据投影分布学习的旋转机械设备故障检测方法，包括以下步骤：

4、s1，设置正常作业的旋转机械设备和以多个不同单一故障种类作业的旋转机械设备工作状态监测数据为训练样本；

5、s2，通过振动监测，采集所述训练样本在其作业过程中的多变量时间序列数据，选取所述多变量时间序列数据中每一个变量维度的数据进行归一化预处理，形成训练样本数据；

6、所述训练样本数据包括旋转机械设备正常作业采集的正常数据，和旋转机械设备以单一故障分类的多个不同故障作业时采集的被检测数据；

7、对所述训练样本设置标签，并按照故障分类以0,1,2,..,n进行标签标记；

8、s3，对所述训练样本数据进行时间窗划分，并对划分后的每一个所述时间窗内的数据进行快速傅里叶变换、数据片分割和监测数据投影，形成监测数据投影分布数据训练样本集；

9、s4，将所述训练样本数据和所述监测数据投影分布数据训练样本集作为输入数据，输入到vs-transformer模型中；在所述vs-transformer模型中设置一个自注意力transformer分支和一个差分注意力深度神经网络分支，分别对所述训练样本数据和所述监测数据投影分布数据训练样本集进行计算，得到旋转机械设备正常作业的正常数据与以故障作业的被检测数据之间的差异值；

10、s5，采用分类器根据所述差异值对所述被检测数据进行故障分类，从而检测出旋转机械设备的故障类型。

11、进一步的，步骤s2中对数据作归一化预处理，其公式为：

12、

13、式中，

14、为训练样本的数学期望；

15、σx为标准差；

16、xt-1为归一化前的训练样本数据；

17、xt为归一化后的训练样本数据。

18、进一步的，步骤s3包括以下子步骤：

19、s301，利用旋转机械设备的运转周期将所述训练样本数据划分出具有同一长度的时间窗；

20、s302，对划分后的每一个所述时间窗内的数据进行快速傅里叶变换，获取变换后数据序列的实部数据和虚部数据；将所述实部数据和虚部数据系统直接按序列相连进行重新拼接，形成具有同样长度的数据序列训练样本数据[xft]。

21、s303，将划分后的每一个所述时间窗内的数据分割为k个数据片；建立投影空间，将所述投影空间划分为与所述数据片对应的k个；将所述数据片向其对应的投影空间作监测数据投影；

22、s304，将所述数据序列训练样本数据与所述监测数据投影拼接，并进行embedding编码，得到监测数据投影分布数据训练样本集。

23、进一步的，所述时间窗的长度的计算公式为：

24、

25、式中，

26、lw为时间窗的长度；

27、rpm为旋转机械设备运转周期，单位：转/分钟；

28、f为采样频率，单位：次/秒。

29、进一步的，通过下述公式确定不同时间窗的长度之间的关系：

30、lw＝concat(o*lw-1,l-o*lw-1)

31、式中，

32、o为数据重叠率；

33、lw为新的时间窗的长度；

34、lw-1为前一个时间窗的长度；

35、concat为连接两个时间序列数据的操作。

36、进一步的，所述监测数据投影的公式为：

37、

38、式中，

39、i表示第i个数据片和对应的投影空间，取值范围[1..k]；

40、exp为指数函数；

41、表示快速傅里叶变换操作后的数据第i个数据片分割；

42、表示的监测数据投影值。

43、进一步的，所述数据序列训练样本数据与所述监测数据投影使用concat函数拼接；所述embedding编码为参数设置为在256和2048之间的分类标签独热编码。

44、进一步的，步骤s4中，

45、s401设置自注意力transformer分支为vs-transformer模型中的一个中间层，步骤如下：

46、s401-1.multi-head取值为1-6个；

47、s401-2.注意力块block数量为1-5层，每一层由一个自注意力模块、一个正则化layer normalize层、一个feed forward层和一个softmax层组成，每一层将向后一层输出一个结果和一个残差；

48、s401-3.第一层的输入为所述数据序列训练样本数据或所述监测数据投影分布数据训练样本集，通过softmax函数激活输出64-2048长度的中间层，并与标签比较获得一个交叉熵优化目标loss1。

49、s402设置差分注意力深度神经网络分支为vs-transformer模型中的一个中间层，步骤如下：

50、s402-1.multi-head取值为1-6个；

51、s402-2.注意力block数量为1-5层，输入为监测数据投影[xiproj]或监测数据投影分布数据训练样本集[xd]；

52、s402-3.设置计算过程为:将输入数据进入两个linear分支，分别做1-5次线性变化，其中一个接着做一次指数操作，获得两组参数；对两组参数做一次连接，与前一次结果做差分计算，形成优化目标loss2，如公式所示：

53、

54、式中，

55、qs为监测数据真实分布；

56、ps为监测数据先验分布；

57、为监测数据真实分布的期望；

58、x,y为样本数据和对应标签；

59、xproj为样本投影。

60、s403.基于loss1和loss2形成最终优化目标，所述最终优化目标由αloss1+(1-α)loss2构成，且0<α<1。

61、进一步的，通过下述公式，对步骤s401-2中的注意力块第l层的双分支注意力初始化：

62、

63、

64、式中，

65、分别表示自注意力的查询，键，值和伴生序列；

66、分别表示q,k,v,σ中第l层的参数矩阵；

67、表示自注意力。

68、进一步的，步骤s401-3中，通过下述公式进行输出表示：

69、xl＝softmax(feed forword(lnzl))+zl)#

70、式中，

71、表示第l层编码器的输入；

72、表示第l层编码器的隐藏输出；

73、dmodel是超参数，取值为50-5000之间。

74、通过下述公式将用于输出投影分布与正常数据投影的差分描述为kl散度参数矩阵：

75、

76、

77、式中，

78、μl和∑llogistic normal分布的变分参数矩阵；

79、dscale表示匹配分类维度的分布参数数量。

80、进一步的，所述vs-transformer模型中，学习率learning rate设定为0.001通过指数衰减变化至0.00000001，dropout设定为0.1-0.5。

81、进一步的，步骤s5中，所述分类器包括两个前馈多层感知器和两个激活层交替重叠，并在两个子层前分别加入dropout层，随机丢弃一些输入特征；所述两个激活层分别是relu和softmax激活；所述分类器输入是由自注意力transformer分支和差分注意力深度神经网络分支输出拼接而成。

82、进一步的，所述分类器的故障分类过程通过下述公式表示：

83、cla(xl)＝softmax(relu(xlwc1+bc1)wc2+bc2)#

84、式中，

85、分别是这两层的权重和偏置；

86、ncla是类别数量，dff是分类器输入的维度。

87、本发明的有益效果为：

88、1、本发明记载的故障检测方法，利用深度学习注意力模型，设计了一种双分支神经网络结构，并增加了对分布时频域中的振幅分布统计特征提取的差分注意力深度神经网络分支。差分注意力深度神经网络分支结构能够在特征提取时，提高transformer模型对旋转机械设备故障数据的分布特征进行关注，放大对异常数据特征的关注。

89、2、本发明记载的故障检测方法，能够更多关注样本之间的时、频域信息及信息分布的关联，能够更好地捕捉故障样本之间的差异和相似性。具有较好的故障诊断性能，并避免了传统模型的长程关联能力和并行计算能力有限等缺点。

90、3、本发明记载的基于监测数据投影分布机制的旋转机械设备故障异常检测方法，具有良好的鲁棒性，能够在各种复杂环境和噪声影响下依然保持良好的检测性能。