本發明涉及數據不平衡故障診斷，具體而言，尤其涉及一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法。

背景技術：

1、齒輪作為旋轉機械中的核心部件，承擔著傳遞動力和運動的關鍵作用。在實際運行過程中，齒輪會受到復雜的載荷作用，其性能和狀態直接關系到整個旋轉機械的可靠性和穩定性。一旦齒輪出現故障，不僅會導致機械性能下降，還可能引發停機故障，進而影響設備的安全性和運行效率。因此，對齒輪進行有效的故障診斷，及時發現并處理潛在問題，對于保障旋轉機械的正常運行具有重要意義。隨著旋轉機械技術的不斷發展，齒輪的工作環境和運行條件日益復雜，這使得故障發生的可能性和風險不斷增加。在這種背景下，開發先進的齒輪故障診斷模型，以實現有效的狀態監測和故障預警，已成為當前研究的重要方向。

2、目前，大多數針對旋轉機械的數據驅動故障診斷框架主要基于數據平衡的假設進行設計。這些框架通常依賴于大量的正常運行數據和故障數據來訓練分類模型，以實現對故障的準確識別。為了應對數據不平衡問題，一些方法采用了數據生成模型來擴充故障數據集，通過生成虛擬故障信號來增加訓練樣本的數量，從而提高分類模型的性能。這些方法在一定程度上緩解了數據不平衡對故障診斷的影響，但在實際應用中仍存在一些局限性。

3、然而，現有的數據不平衡故障診斷方法仍然存在以下兩個主要問題：

4、問題一、傳統的數據生成模型在生成虛擬故障信號時，可能無法準確捕捉振動時域信號的特征。這導致生成的虛擬信號與實際故障信號存在顯著差異，從而影響分類模型的性能。特別是當用于訓練生成模型的故障樣本數量有限時，生成的樣本的保真度會受到顯著影響。如果將這些保真度低的信號用于擴充訓練集，會導致分類模型學習到錯誤的故障信息，進而降低故障診斷的準確性。

5、問題二、傳統的分類模型在處理不平衡的數據集時往往表現不佳，容易偏向多數類樣本，導致故障類別的識別能力下降。即使在由真實數據和虛擬數據構成的混合訓練集中進行訓練，也難以從混合數據集中充分獲取有效的故障特征。這使得故障識別的準確率較低，無法滿足實際應用中對高精度故障診斷的要求。

技術實現思路

1、為了解決齒輪在數據不平衡情況下故障診斷準確率低的問題，提供一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法。本發明最終獲得的分類模型具有輕量化的特點，同時能夠更加有效的開發擴充后的數據集中的多級特征，能從真實數據和生成的虛擬數據中提取更多的有效特征，具有優越的故障分類能力。

2、本發明采用的技術手段如下：

3、一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法，包括：

4、s1、利用加速度傳感器采集齒輪在各種故障情況下的振動時域信號，作為齒輪故障信號，構建數據不平衡的訓練集；

5、s2、采用改進的波形信號生成網絡（idfwave-cm網絡）構成的擴散模型，建立齒輪故障信號生成模型，將采集到的齒輪故障信號輸入齒輪故障信號生成模型中進行訓練，并生成虛擬齒輪故障信號；

6、s3、采用信號濾波器對虛擬齒輪故障信號進行質量評估，并將評估后的信號與原始訓練集合并，得到擴充后的數據集；

7、s4、采用深度可分離卷積結構，構建齒輪故障分類模型，使用擴充后的數據集中的訓練集對齒輪故障分類模型進行訓練，最終獲得用于識別齒輪故障類型的分類模型。

8、進一步地，步驟s2，具體包括：

9、s21、擴散模型通過擴散過程逐步將高斯噪聲添加到齒輪故障信號中，使齒輪故障信號完全轉化成高斯噪音，并通過逆擴散過程從高斯噪音中重構齒輪故障信號的數據分布，擴散過程和逆擴散過程如下：

10、；

11、；

12、其中，表示擴散過程，表示擴散步長為時的信號，表示擴散步長為時的信號，表示添加的高斯噪音的方差，表示單位矩陣，表示擴散過程中的步長，表示逆擴散過程，表示逆擴散過程中和相關的均值，表示逆擴散過程中和相關的方差；

13、s22、在逆擴散過程中，通過數學運算準確計算逆分布頗具挑戰性。因此，采用idfwave-cm網絡結構來估計這一過程。此外，為了提高模型訓練效率并降低計算復雜度，將網絡訓練過程中的變分下界進行簡化，表達式如下：

14、；

15、其中，表示變分下界的簡化結果，表示對多個隨機變量的聯合分布取期望，表示高斯噪聲，表示預測的高斯噪音，表示累乘，表示任意下的，表示初始齒輪故障信號；

16、s23、改進的波形信號生成網絡(idfwave-cm)是一種強大的網絡架構，旨在處理數據中的短期和長期依賴關系，有效捕捉序列信息和全局特征。該結構采用簡化的自注意力機制和高效多尺度注意力機制構建，這兩種機制協同工作，以調制diffwave網絡結構。參數表示殘差層數，設定為?30。idfwave-cm網絡的輸入是一個多維編碼向量，通過將擴散步驟轉換為多個三角函數形成，具體如下：

17、；

18、s24、訓練過程采用線性加噪模式，其中所添加高斯噪聲的方差從0.0001線性增加至0.05，在模型訓練完成后，通過逆擴散過程生成虛擬齒輪故障信號，該過程表示如下：

19、；

20、其中，表示和相關的中間變量，表示到累乘，表示超參數，表示高斯噪音；

21、進一步地，步驟s3中的信號濾波器為基于三個統計指標的信號過濾器，用于評估生成信號與真實信號之間的相似度，指標包括余弦相似度、皮爾遜相關系數和最大均值差異。

22、進一步地，所述余弦相似度和所述皮爾遜相關系數的計算公式如下：

23、；

24、；

25、其中，表示余弦相似度，表示皮爾遜相關系數，兩者用于計算生成信號與實際信號的頻率域特征之間的相似度，數值越高表示相似度越高；公式中，表示生成信號頻域向量，表示真實信號頻域向量；表示信號向量元素數，表示生成信號各元素平均值，表示真實信號各元素平均值。

26、進一步地，所述最大均值差異的計算公式如下：

27、；

28、其中，表示最大均值差異，用于衡量生成信號與實際信號在時域上的數據分布特征相似度，數值越小表示生成樣本的質量越高；公式中，表示生成信號時域向量元素數，表示真實信號時域向量元素數，表示生成時域信號在希爾伯特空間的映射，表示真實時域信號在希爾伯特空間的映射，表示希爾伯特空間。

29、進一步地，步驟s3中，采用信號濾波器對虛擬齒輪故障信號進行質量評估，具體包括：

30、設定約束條件，如下：

31、；

32、其中，、和分別對應于三個約束條件的閾值，決定生成的虛擬齒輪故障信號的多樣性和相似性；在生成過程中，三個約束條件的閾值、和分別設置為0.3、0.75和0.8；

33、將生成的虛擬齒輪故障信號送入信號濾波器進行質量評估，如果滿足約束條件中規定的三個條件，則將該信號輸入到原始訓練集中對訓練集進行擴充；否則，被視為不合格并被舍棄。

34、進一步地，步驟s4中，采用深度可分離卷積結構，構建齒輪故障分類模型，具體包括：

35、利用深度可分離卷積塊構建骨干網絡，并利用迭代注意力特征融合模塊自適應地融合深層特征，提升分類模型故障診斷性能；

36、深度可分離卷積塊按照1:1:3:1的比例堆疊，以獲得齒輪故障信號的深層特征；

37、為了平衡特征的高級抽象信息和低級紋理信息，構建的網絡結構綜合利用了三個階段的不同尺寸的特征，三個階段的特征通過迭代注意力特征融合模塊自適應地實現特征級數據融合，特征融合過程如下：

38、；

39、；

40、其中，和分別表示輸入的特征，表示特征初步融合結果，表示特征融合后的最終輸出，符號表示廣播加法，符號表示逐元素乘法操作，和分別表示不同階段的多尺度通道注意力模塊。

41、進一步地，所述深度可分離卷積塊將常規的二維深度可分離卷積塊一維化，由1×7深度卷積、逐點卷積、層歸一化（ln）和gelu激活函數組成，深度可分離卷積塊利用大尺寸的卷積獲取更大的感受野，通過逐點卷積用于通道間的信息交互與維度變換，擁有優秀的特征提取能力和較強的魯棒性。

42、進一步地，所述特征融合模塊的主干為多尺度通道注意力模塊，利用局部注意力分支和全局注意力分支獲取重要關注的位置，通過注意力機制獲取權重，實現特征自適應融合，多尺度通道注意力模塊通過改變池化大小在多個尺度上實現通道注意力，旨在有效結合局部和全局特征。

43、較現有技術相比，本發明具有以下優點：

44、1、本發明提供的一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法，在應對數據不平衡的訓練集時，可以通過生成虛擬數據來擴充訓練集，從而有效緩解數據不平衡問題，并提升齒輪故障診斷的準確性和穩定性。

45、2、本發明提供的一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法，利用改進的波形信號生成網絡（idfwave-cm）構建了一個齒輪故障信號生成的擴散模型。并通過信號濾波器對生成的齒輪故障信號進行篩選，確保生成的齒輪故障信號均達到一致的質量標準。該齒輪故障信號生成模型能夠學習輸入的齒輪振動信號的復雜數據分布信息，并生成和輸入信號高度相似的齒輪故障信號。

46、3、本發明提供的一種基于擴散模型和深度可分離卷積的數據不平衡故障診斷方法，利用深度可分離卷積構建卷積塊，并通過卷積塊的堆疊構建分類模型的骨干網絡，以獲得故障信號的深層特征。并通過迭代注意力特征融合模塊來自適應融合各個階段的特征，以平衡特征的高級抽象信息和低級紋理信息。整合后的分類模型具備從混有生成及真實信號的數據集合中精準解析與區分各類特征的能力。

47、基于上述理由本發明可在數據不平衡故障診斷等領域廣泛推廣。