1.一种故障早期预警方法,其特征在于,包括:
获取机械设备的历史振动数据;
将历史数据的退化数据输入至训练好的通道混洗注意力机制特征平滑网络模型;所述通道混洗注意力机制特征平滑网络,包括:卷积层、最大池化层、通道混洗模块、特征处理模块和线性输出层;
在卷积层,提取历史振动数据的初步特征;在最大池化层,对初步特征进行池化操作,获得压缩后的初步特征;
在通道混洗模块,对压缩后的初步特征按照通道维度分组为多个子特征;对每个子特征进行全局平均池化,并通过含参数的简单门控机制和激活函数,获得混洗后的通道注意力权重;对每个子特征进行组归一化,通过参数增强表示和激活函数,获得混洗后的空间注意力权重;根据混洗后的通道注意力权重和混洗后的空间注意力权重,对全部子特征进行通道混洗操作,获得混洗后的特征;对混洗后的特征重复进行卷积操作、最大池化操作以及通道混洗操作,获得历史振动数据的深层次特征;
在特征处理模块,将历史数据的深层次特征展平,对展平后特征的均值和协方差进行动量更新,获得历史振动数据的运行统计量,根据运行统计量,对历史数据的深层次特征分布进行校准,获得平滑特征;
在线性输出层,对平滑特征进行线性运算,输出未来多个时刻的健康因子;
将未来多个时刻的健康因子输入至孤立森林预警模型进行异常检测,获得机械设备故障报警阈值和首次故障时间。
2.如权利要求1所述的一种故障早期预警方法,其特征在于,所述获取机械设备的历史振动数据,具体包括:在机械设备测试部件上部署X、Y两方向的振动传感器,在轴承从正常运行直至故障的全生命周期内,持续获取原始状态数据;
将每个时刻的原始状态数据输入至归一化算法中,通过归一化算法对每个时刻的原始状态数据进行归一化,得到多个时刻的状态数据,即历史振动数据。
3.如权利要求1所述的一种故障早期预警方法,其特征在于,对所述通道混洗注意力机制特征平滑网络模型进行训练,包括:确定历史振动数据的退化标签划分范围,并将历史振动数据定义为多个离散值,作为历史振动数据的退化标签,二次退化曲线公式为:;
式中,为设备的最大寿命,为当前时间;
通过对历史振动数据当前时间的二次退化函数值进行取整,获得对应标签值,公式为:;
式中,Lable表示历史振动数据的标签值,为取整函数。
4.如权利要求1所述的一种故障早期预警方法,其特征在于,所述对每个子特征进行全局平均池化,并通过含参数的简单门控机制和激活函数,获得通道注意力权重,公式为:;
式中,为子特征混洗后的的通道注意力权重,为子特征的通道注意力,为激活函数,为全局平均池化,和用于缩放和平移通道维度的向量。
5.如权利要求1所述的一种故障早期预警方法,其特征在于,所述对每个子特征进行组归一化,经参数增强表示后,再由激活函数获得混洗后的空间注意力权重,公式为:;
式中,为混洗后的的通道注意力权重,为子特征的空间注意力,表示对进行归一化操作,并由参数和对其进行线性增强表示。
6.如权利要求1所述的一种故障早期预警方法,其特征在于,所述获得平滑特征,具体包括:计算展平后的特征的均值和协方差,以表征历史振动数据的特征分布,展平后的特征的均值和协方差的计算公式为:;
;
其中,和分别为展平后的特征的均值和协方差,为展平后的特征样本总数,i表示展平后的特征样本分组编号,,表示展平后特征中第个样本的特征,;
利用核对称统计量对均值和协方差进行加权求和,得到平滑后的均值和协方差,平滑公式为:;
;
式中,为平滑后的均值,为平滑后的协方差,为核函数,其中,为历史振动数据中一个样本的预测值,为历史数据中剩余样本的预测值,为历史数据中剩余样本的均值,为历史数据中剩余样本的协方差,为历史振动数据的分组数;
动量更新历史振动数据中剩余样本的均值和协方差,更新公式为:;
;
式中,为动量系数;
动量更新后的数据中剩余样本的均值和协方差即为历史振动数据的运行统计量;
根据历史振动数据的运行统计量,对展平后的特征进行校准,公式为:;
式中,是校准后的特征。
7.如权利要求1所述的一种故障早期预警方法,其特征在于,所述孤立森林预警模型包括多棵孤立树;所述将健康因子输入至孤立森林预警模型进行异常检测,具体包括:将健康因子输入至多棵孤立树;
计算每个健康因子在孤立树中的期望孤立深度,公式为:;
式中,是将康因子在一棵树中的期望孤立深度,是一个关于输入健康因子的个数的常数,通常为,决定孤立树的最大深度;
根据期望孤立深度评估各时刻异常程度,标记异常时刻,确定报警阈值;
根据异常时刻出现的时间顺序,确定首次故障时间。
8.如权利要求1所述的一种故障早期预警方法,其特征在于,所述初步特征的形状由卷积核大小、步长大小和填充大小确定。
9.如权利要求1所述的一种故障早期预警方法,其特征在于,所述通道混洗操作为通过多个混洗单元对子特征进行并行操作。
10.一种故障早期预警装置,其特征在于,包括:采集模块,用于获取机械设备的历史振动数据;
提取模块,用于提取历史振动数据的初步特征;在最大池化层,对初步特征进行池化操作,获得压缩后的初步特征;对压缩后的初步特征按照通道维度分组为多个子特征;对每个子特征进行全局平均池化,并通过含参数的简单门控机制和激活函数,获得混洗后的通道注意力权重;对每个子特征进行组归一化,通过参数增强表示和激活函数,获得混洗后的空间注意力权重;根据混洗后的通道注意力权重和混洗后的空间注意力权重,对全部子特征进行通道混洗操作,获得混洗后的特征;对混洗后的特征重复进行卷积操作、最大池化操作以及通道混洗操作,获得历史振动数据的深层次特征;将历史振动数据的深层次特征展平,对展平后特征的均值和协方差进行动量更新,获得历史振动数据的运行统计量,根据运行统计量,对历史数据的深层次特征分布进行校准,获得平滑特征;对平滑特征进行线性运算,输出未来多个时刻的健康因子;
预警模块,用于将未来多个时刻的健康因子输入至孤立森林预警模型进行异常检测,获得机械设备故障报警阈值和首次故障时间。