面向多源不确定稀疏样本的装备部件失效模式辨识方法

本技术涉及装备失效辨识，特别是涉及一种面向多源不确定稀疏样本的装备部件失效模式辨识方法。

背景技术：

1、在现代复杂装备系统中，核心部件的失效模式辨识是保障系统可靠性和安全性的重要环节。然而，现有研究在装备部件失效模式辨识中面临诸多挑战。首先，数据稀疏性与不平衡性问题显著影响模型的辨识准确性，传统方法难以有效处理失效数据稀疏的情况。其次，实际服役环境中的多种不确定噪声，如环境噪声、电磁干扰和机械振动噪声，复杂且多样，干扰了数据质量，增加了准确提取有用特征的难度。此外，多源异构数据融合也是一大挑战，现代装备系统中核心部件的监测数据来自多个传感器，数据类型和来源具有异构性和复杂性，难以有效融合并提取综合特征。

2、在特征提取与数据表示方面，现有方法局限性较大，难以全面捕捉数据中的时频域特征及其细节与方向特征，数据表示的方式单一，无法充分利用数据的时间依赖性和多尺度特征。此外，模型优化和实时性问题也困扰着研究人员，传统优化方法如网格搜索和随机搜索效率较低，难以快速找到最优参数组合，影响模型的实时性和应用效果。最后，现有模型在复杂工况和多变环境下鲁棒性不足，容易受噪声和稀疏数据影响，难以在多变的实际环境中保持稳定的辨识性能。这些问题亟需新的方法和技术来克服，以提升失效模式辨识的效果和实用性。

技术实现思路

1、本技术的目的是提供一种面向多源不确定稀疏样本的装备部件失效模式辨识方法，可有效提升含有多源不确定噪声的稀疏数据失效模式辨识的效果和实用性。

2、为实现上述目的，本技术提供了如下方案：

3、本技术提供了一种面向多源不确定稀疏样本的装备部件失效模式辨识方法，包括：

4、获取待测多源传感数据；待测多源传感数据为失效模式不明确的装备部件的多通道工作数据。

5、采用自适应主动降噪滤波器对待测多源传感数据中的多源不确定噪声进行滤除，得到滤波后的待测多源传感数据；自适应主动降噪滤波器为通过模型无关元学习算法对自适应滤波器的滤波器系数进行优化后得到的滤波器；自适应主动降噪滤波器能够通过实时调整更新滤波器参数以适应不同的噪声环境。

6、将滤波后的待测多源传感数据输入短树变换算法，提取得到包括时频特征矩阵的第一图像和包括多尺度特征矩阵的第二图像；第一图像中每个元素表示在特定时间和频率上的信号强度；第二图像中每个元素表示在特定尺度和方向上的信号特征。

7、通过双流时空注意力深度神经网络并行处理第一图像和第二图像，分别提取时频域特征和细节与方向特征并进行融合，得到失效模式数据增强融合特征；双流时空注意力深度神经网络包括并行的第一分支和第二分支；第一分支用于处理第一图像，提取得到时频域特征；第二分支用于处理第二图像，提取得到细节与方向特征。

8、将失效模式数据增强融合特征输入到失效模式辨识模型中，得到对应的失效模式辨识结果；失效模式辨识模型为预先采用冠豪猪算法对超参数进行优化过的最小二乘支持向量机。

9、可选地，在采用自适应主动降噪滤波器对待测多源传感数据集中的多源不确定噪声进行滤除，得到滤波后的待测多源传感数据集之前，面向多源不确定稀疏样本的装备部件失效模式辨识方法还包括以下步骤：

10、通过模型无关元学习寻找最佳初始控制滤波器；在模型无关元学习算法中，通过网格搜索算法优化模型无关元学习算法中的超参数。

11、对最佳初始控制滤波器的滤波器系数进行优化，得到自适应主动降噪滤波器。

12、可选地，根据下式对最佳初始控制滤波器的滤波器系数进行优化：

13、

14、其中，ω(p+1)为第p+1步时的滤波器系数，ω(p)表示第p步时的滤波器系数，e(p)为第p步时的输入向量，上标t为转置操作，e(p)为第p步时的期望输出向量与实际输出向量的误差值，β为学习率，γ为时间衰减因子，n为历史步长。根据下式计算e(p)：

15、e(p)＝φ(p)-et(p)ω(p)。

16、其中，φ(p)为第p步时的期望输出向量。

17、根据下式对待测多源传感数据中的多源不确定噪声进行滤除：

18、

19、其中，x(p)为待测多源传感数据，为滤波后的待测多源传感数据。

20、可选地，根据下式优化模型无关元学习算法中的超参数：

21、

22、其中，β*为最优的学习率，γ*为最优的时间衰减因子，k为交叉验证的折数，β为学习率，γ为时间衰减因子，为损失函数，为模型无关元学习算法在超参数组合(β，γ)下的表现。

23、可选地，短树变换算法包括短时傅里叶变换和双树复小波变换；将滤波后的待测多源传感数据输入短树变换算法，提取得到包括时频特征矩阵的第一图像和包括多尺度特征矩阵的第二图像，具体包括以下步骤：

24、对滤波后的待测多源传感数据进行短时傅里叶变换，得到时间序列信号的时频特征矩阵；时频特征矩阵中的每个元素表示在特定时间和频率上的信号强度。

25、对滤波后的待测多源传感数据进行双树复小波变换，得到多尺度的特征矩阵；每个特征图像的元素表示在特定尺度和特定方向上的信号特征。

26、将时频特征矩阵按照时间和频率轴排列，形成包括时频特征矩阵的第一图像。

27、将多尺度的特征矩阵按照尺度和方向轴排列，形成包括多尺度特征矩阵的第二图像。

28、可选地，第一分支和第二分支的结构相同；第一分支包括卷积神经网络、双向门控循环单元和时空注意力机制；第一分支通过卷积神经网络提取空间特征，双向门控循环单元提取时间依赖特征，并引入时空注意力机制提取时空耦合特征；时空注意力机制的空间注意力机制作用于卷积神经网络的第二层，增强空间特征图中的兴趣区域；时空注意力机制的时间注意力机制作用于双向门控循环单元的第二层，增强时间特征序列中的兴趣区域。

29、可选地，空间注意力机制的表达式如下式所示：

30、

31、其中，h、w和c分别表示特征图像的高度、宽度和通道数，ws和bs分别表示空间注意力机制的权重和偏置，xijct表示特征图像在位置(i，j)、通道c和时间步t处的值，sijct为该位置的空间注意力权重。

32、时间注意力机制的表达式如下式所示：

33、

34、其中，wt和bt分别表示时间注意力机制的权重和偏置，yijct表示特征图像在位置(i，j)、通道c和时间步t处的值，tijct表示该位置的时间注意力权重。

35、可选地，在将失效模式数据增强融合特征输入到失效模式辨识模型中，得到对应的失效模式辨识结果之前，面向多源不确定稀疏样本的装备部件失效模式辨识方法还包括：

36、利用冠豪猪算法进行粒子群初始化操作，随机生成最小二乘支持向量机的超参数组合，并通过迭代优化不断更新粒子的速度和位置，最终找到最优超参数组合。

37、在最优超参数组合下，使用增强融合特征数据集训练最小二乘支持向量机模型，得到失效模式辨识模型；增强融合特征数据集中包括若干个失效模式数据增强融合特征和对应的失效模式标签。

38、根据本技术提供的具体实施例，本技术公开了以下技术效果：

39、本技术提供了面向多源不确定稀疏样本的装备部件失效模式辨识方法，获取失效模式不明确的装备部件的多通道工作数据，将模型无关元学习应用到自适应滤波器，对其中的多源不确定噪声进行滤除，随后将滤波后的数据输入短树变换算法，提取得到包括时频特征矩阵的第一图像和包括多尺度特征矩阵的第二图像，通过双流时空注意力深度神经网络并行处理第一图像和第二图像，分别提取时频域特征和细节与方向特征并进行融合，得到失效模式数据增强融合特征；将失效模式数据增强融合特征输入到预先采用冠豪猪算法对超参数进行优化过的最小二乘支持向量机，得到对应的失效模式辨识结果。本技术考虑到装备实际服役过程中含有多源不确定噪声，应用基于元学习的算法对其中多源不确定噪声进行滤波处理，降低噪声信号对稀疏失效数据的干扰；进而结合短树变换与双流时空注意力深度神经网络，从多通道数据中获取时频和多尺度特征，增强失效特征的提取能力，降低失效辨识对数据量的依赖性；最后应用最小二乘支持向量机进行失效模式辨识，并采用冠豪猪算法确定最优超参数组合，提高了模型在装备部件实际服役复杂工况下的失效辨识能力，适用于工程实际。