全局和局部特征耦合指导的滚动轴承未知故障检测方法

本发明属于故障检测，特别涉及全局和局部特征耦合指导的滚动轴承未知故障检测方法。

背景技术：

1、滚动轴承故障检测能够在早期发现轴承故障，预防故障的进一步发展，在机械设备、汽车工业、核电能源等领域广泛应用。但由于设备的高安全可靠运行需求，使发生故障的样本稀少。目前，许多基于深度学习的故障诊断方法已针对该问题进行了研究，比如基于自动编码器的故障诊断方法，基于孪生神经网络的少样本学习方法，基于迁移学习的故障诊断方法等。但这些方法没有考虑新的故障发生时，模型如何识别未知的故障。未知故障检测是指给定一个已知的故障样本集和一个未知的故障样本集（这两个样本集的类别不重叠），利用从已知的类故障样本中学习到的知识来发现未知的类样本的新故障。

2、而且这些方法存在以下问题：第一，没有充分挖掘故障样本的时空分布不平衡特性，过多的关注全局特征忽略了局部特征的影响，全局特征和局部特征对故障类别的影响并不总是相同，故障可能由全局特征引发，也可能由局部特征引发。现在的故障检测方法大多仅利用全局特征进行检测或者仅利用局部特征进行故障检测。因此，需要同时挖掘全局特征和局部特征对故障类别的影响。第二，没有挖掘全局、局部特征与故障类别的真实因果关系，没有剔除设备故障样本中的混杂特征。模型在学习特征跟故障类别的关系时，不可避免的受到混杂特征（例如，故障样本中的正常信号会成为冗余信息）的影响。例如，对于全局特征，数据样本并不总是故障部分，包括有故障和正常的特征，正常的特征会干扰模型的判断。对于局部特征，除了邻域中的干扰特征，本身也可能是正常特征作为模型的干扰因素。因此，需要挖掘全局、局部特征跟故障类别的真实因果关系。

技术实现思路

1、针对现有技术存在的不足，本发明提供一种全局和局部特征耦合指导的滚动轴承未知故障检测方法，将故障诊断问题与新类发现问题一起考虑，将故障数据集划分为已知类的故障数据集和未知类的故障数据集，利用已知类的知识来辅助未知类的聚类过程。通过保持全局和局部知识并且建立全局、局部特征与故障的真实因果关系模型来解决未知故障检测这个问题。

2、为了解决上述技术问题，本发明采用的技术方案是：

3、全局和局部特征耦合指导的滚动轴承未知故障检测方法，包括三个阶段，以下步骤：

4、阶段1，预训练阶段，使用伪孪生网络进行预训练，提取尺度耦合特征：

5、输入数据是不同尺度的一维振动信号样本，通过尺度耦合特征提取模块建立数据不同尺度之间的相似性关联关系，完成预训练；所述尺度耦合特征提取模块采用基于transformer的伪孪生网络，具体来说，所述伪孪生网络包括两个结构相同的基于transformer的特征提取分支和距离度量模块，每个特征提取分支采用transformer编码器结构，两个分支不共享权重，不同尺度的数据输入到伪孪生网络的两个分支中，通过距离度量模块度量两个分支的输出特征是否属于相同类别来学习尺度间的相似性关系，该相似性关系即尺度间的耦合特征；

6、阶段2，使用有标签的数据监督调整阶段；

7、使用预训练阶段训练好的transformer编码器，在标记数据集上进行监督训练，使其提高对已知类别数据进行分类的能力；

8、阶段3，故障新类发现阶段，在未标记数据上训练全局和局部耦合特征指导的未知故障检测模型：

9、故障新类发现阶段的全局和局部耦合特征指导的未知故障检测模型架构包括预训练的transformer编码器、全局特征学习分支、局部特征学习分支及全局局部特征交互模块，首先将无标记的未知类数据集输入到transformer编码器中，然后通过全局特征学习分支和局部特征学习分支学习全局特征和局部特征，并通过全局局部特征交互模块挖掘全局特征和局部特征跟故障类别之间的真实因果关系，建模全局-局部特征结构因果图，以捕获故障震动信号中全局特征、局部特征和故障类别之间的真实因果关系；最后通过一致性预测方法约束全局特征学习分支和局部特征学习分支的预测结果，使全局特征学习分支和局部特征学习分支对同一样本的预测结果保持一致。

10、进一步的，在预训练阶段前，先进行数据集的划分，具体是：将数据集划分为标记数据集和未标记数据集，确保两个数据集的类别不相交，标记数据集包含已知的类标签和对应的样本数，未标记数据集包含未知的样本数。

11、进一步的，阶段1中，输入数据是一对尺度大小不同的一维故障振动信号样本，分别为大尺度样本x1和小尺度样本x2，其中x2的大小为x1的1/2，将两个尺度的输入数据分别输入到伪孪生网络的两个分支中，每个分支包括嵌入层、n个堆叠的transformer层、全连接层，在每个分支内，输入的数据样本先通过嵌入层投影到一个线性嵌入矩阵e中，将故障振动信号中时序位置信息epos进行编码，保持故障信号样本中的位置信息，得到transformer层的输入特征，transformer层的输出经过全连接层处理；伪孪生网络的两个分支的输出根据距离度量进行优化，得到输入数据属于相同类别或不同类别的输出结果。

12、进一步的，每个transformer层具体结构包括归一化层、多头注意力层和多层感知机，首先将输入特征fin进行归一化，多头注意力层接收来自归一化后的特征，之后将多头注意力层的输出与输入特征进行残差连接，并将输出进行归一化得到多层感知机的输入，同样在多层感知机后进行残差连接得到下一个transformer层的输入。

13、进一步的，伪孪生网络的损失函数可以表示为：

14、；其中i表示第i个样本对的编号，表示输入到第一个分支的样本，表示输入到第二个分支的样本，表示一个控制因子，当第i个样本对属于同一类别时，等于1，否则为0，即当输入到两个分支的第i个样本对和来自于同一个故障类别时，设，当和来自于不同故障类别时，设；y表示伪孪生网络的输出，它的形式为，sigmoid函数的计算形式为，；

15、其中表示输入变量，是transformer网络，表示第一个分支的输出，表示第二个分支的输出，表示两个分支的距离。

16、进一步的，阶段3中，全局特征学习分支侧重于利用故障样本的整体轮廓信息进行故障判别，局部特征学习分支擅长利用邻域细节信息进行故障判别，两个分支使用共同的transformer编码器提取特征，该transformer编码器在阶段1和阶段2已进行预训练；以全局分支为例，该分支包括一个特征映射层和两个线性头，分别用来分类标记的已知类和无标记的未知类，通过排序统计伪标签生成方法rs生成未标记数据的伪标签，将知识从标记数据转移到未标记数据。

17、进一步的，阶段3中，使用全局局部特征交互模块来建立全局和局部特征的因果关系，并约束两个分支预测结果的一致性，方法是：输入未标记数据，由transformer编码器处理生成特征，将该特征输入到全局特征学习分支和局部特征学习分支，全局特征学习分支和局部特征学习分支分别利用rs生成特征的伪标签，将两个分支生成的伪标签经过一致性预测模块生成整体的监督标签，用于训练两个分支的损失；两个分支通过全局局部特征交互模块交换信息，利用全局-局部特征结构因果建模挖掘不同特征的因果关系。

18、进一步的，全局特征学习分支和局部特征学习分支生成伪标签的方法，具体来说，对于全局特征学习分支，给出一对样本和，经过特征映射层获得特征向量，采用特征向量经过排序统计伪标签生成方法rs获得成对全局伪标签：

19、；

20、其中和是全局特征学习分支中两个无标记样本的特征向量；

21、局部特征学习分支通过维护一个先进先出的动态队列，将每个部分实例对象与队列中的特征进行比较来获得部分级排序统计数据；之后，将输入样本的所有部分级排序统计数据通过平均池化融合到一起，得到样本的融合相似向量，同理可得到样本的相似向量，融合相似向量可以形式化为：

22、；

23、其中n为样本x划分为小块的数量，表示x中的每个局部块特征，v是随机的动态队列，sim表示与v的相似性；

24、采用融合相似向量经过排序统计伪标签生成方法rs获得成对局部伪标签：

25、；

26、其中，和是局部特征学习分支中两个无标记样本的特征向量。

27、进一步的，全局-局部特征结构因果关系建模时，使用后门调整方法挖掘故障信号中全局特征xg、局部特征xp和故障类别y之间的真实因果关系，避免受到混杂特征cg、cp的影响，后门调整方法具体如下：

28、后门调整设定可以观察混杂因素并对其进行分层，针对全局特征学习分支，对全局混杂特征cg进行分层，划分为n个等大小的分层，即，其中每个是全局混杂特征cg知识的一个分层，在每个分层中，分别计算全局特征xg和故障类别y之间的关系；之后计算所有分层因果效应的平均值，并根据各个特征层在种群中的分布频率进行加权求和；局部特征学习分支按相同方式处理，最终得到全局分支和局部分支整体的因果关系，即真实因果关系公式如下：

29、；

30、其中cg是对全局混杂特征cg的分层，cp是对局部混杂特征cp的分层，p(cg)是cg的先验概率，p(cp)是cp的先验概率，是全局特征xg和故障类别y的因果关系，是局部特征xp和故障类别y的因果关系。

31、与现有技术相比，本发明优点在于：

32、本发明的尺度耦合特征提取模块可以学习不同尺度样本的相似关系，建立全局和局部特征的潜在联系。全局-局部特征交互模块通过全局、局部特征的交互指导来发现新的故障类别。

33、本发明提出了一种全局-局部特征结构因果关系建模方法。全局、局部特征与故障类别是因果关系建模，可以挖掘与故障发生有关的真实因果特征，去除混杂特征的影响。