本发明属于旋转机械振动信号的处理分析，具体涉及一种基于不平衡无标签监测数据自监督的智能故障诊断方法。
背景技术：
1、随着对机器运行状况要求的提高，对于机械工作状态的监测越来越重要。其中，对于健康状态的智能快速诊断是其中一项重要内容。振动信号作为含有机械故障丰富信息的信号源之一，被广泛用于机械特别是旋转机械的故障诊断中。机械故障诊断依赖于故障信号特征的提取，传统故障诊断方法需要大量人工干预的特征提取方法，已经不足以处理工业大数据。随着人工智能的发展，人工神经网络在很多领域都取得了很瞩目的成果，特别是在图像识别、语音识别等模式识别领域的发展中都起到了很大的作用。
2、因人工神经网络强大的非线性特征提取能力，科研人员将其引入机械故障诊断领域，并对之展开了大量研究。人工神经网络自动化程度高，大幅减少特征提取过程中人工参与需求。各种神经网络模型中，由于无监督学习方法不需要标签参与，特别受到人们的关注。其中包括自动编码器、限制玻尔兹曼机、稀疏滤波等。虽然出现了很多功能强大的非监督网络，但其中仍然有一些普遍存在的问题。
3、现有无监督预训练方法难以有效提取其中的真实特征，对于特征的解析过于简单，其他领域使用的基于对比学习的自监督网络预训练方法，能够通过数据增强等形成正负对样本，鼓励数据中本质模式的学习，进一步强化了预训练过程中对于本质模式而非背景噪声模式的挖掘，能够透过复杂的表层数据信息，认识并解析出样本深层次的结构共通性。这也启发了故障诊断领域对海量无标签监测数据的进一步有效利用。
4、自监督方法能够学习到信号对比之下的特征表示，对于进一步挖掘样本和数据集中的模式特征具有非常重要的作用。但是现有诊断方法对此研究不够，振动信号契合的有效数据增强形式以及合适的网络结构也亟需进一步挖掘。同时，监测获得的无标签数据集中，不同类型样本的数量平衡性难以保证且未知，这类样本类型匿名的不平衡问题也极大影响现有自监督预训练方法有效性。
技术实现思路
1、发明目的：针对海量无标签不平衡监测数据无法被有效用于故障诊断模型辅助训练的问题，本发明提出一种基于不平衡无标签监测数据自监督的智能故障诊断方法，能够充分利用真实场景下无标签不平衡监测数据进行自监督预训练，仅基于极少量有标签故障数据进行调整即可获取高诊断精度，极大扩展了智能诊断方法的应用范围。
2、技术方案：为实现本发明的目的，本发明所采用的技术方案是：
3、基于不平衡无标签监测数据自监督的智能故障诊断方法，包括以下步骤：
4、第一步，获取时域振动信号，将无标签且数据类型不平衡监测数据组成数据集作为自监督预训练数据，有标签时域振动信号分割为训练集和测试集；
5、第二步，使用乘性噪声增强、倒序偏移增强和加性噪声增强方式分别对无标签数据进行增强扩充；
6、第三步，构建自监督故障诊断网络，包含特征提取和映射，在特征提取之后进行特征的逆注意力挑选，优化特征实现特征的平衡学习与全局成熟；
7、第五步，基于挑选特征进行噪声对比估计损失函数设计，利用增强后的振动信号无标签数据集进行自监督网络预训练；
8、第六步，故障诊断网络的全局调整训练：使用有标签训练数据集对第五步训练好的自监督网络进行参数调整；
9、第七步，将振动信号测试集输入训练好的网络，输出其健康状态类型。
10、进一步地，第二步中乘性噪声增强公式如下：
11、,
12、其中表示乘性噪声增强后的第个样本，为需要增强的振动信号第个样本，表示信号的平均幅值，增强幅度与的振幅呈正比，表示信号的标准差，表示从以为均值，为方差构建的高斯分布中获取与长度相同的随机数列。
13、进一步地，第二步中倒序偏移增强过程如下：
14、设样本的长度为，对振动信号进行时间维度上的翻转，令原样本中第个数据点在新样本中位置为，之后将信号首尾相连，令所有数据点向后逐次循环移动个位置，得到倒序偏移增强的样本。
15、进一步地，第二步中加性噪声增强过程如下：
16、根据振动信号第个样本的平均幅值，标准差，通过公式(2)进行增强，其中表示从以为均值，为标准差构建的高斯分布中获取的与长度相同的随机数列；是进一步混合的椒盐噪声添加方法，表示对中个数据点通过rand函数随机挑选个，并通过mask操作将挑选的数据点设置为0，其他数据点值不变，表示加性噪声增强后的第个样本，表示如下：
17、。
18、进一步地，第三步中构建的自监督网络包含特征提取和映射，具体包括：
19、将第个乘性噪声增强样本、倒序偏移增强样本和加性噪声增强样本拼接作为传递到公式(3)中特征编码器网络进行特征提取，采用1dcnn网络结构；
20、，
21、其中是1dcnn网络最后一个平均池化层的输出表征，每个增强后样本通过1dcnn获得各自对应输出。
22、随后进行特征非线性映射，利用投影头将通过编码获得的表征映射到对应的对比损失的潜在空间中，映射关系如公式(4)所示；
23、，
24、其中是表征映射输出，是relu激活函数，和是参数矩阵，用于将经过非线性激活的特征进行线性变换以得到最终输出，用于对输入特征进行线性变换和降维处理。
25、进一步地，特征的平衡学习与全局成熟过程如下：
26、将第三步中得到的映射输出记为特征，首先计算特征的成熟度；通过公式(5)所示峭度计算同一特征在所有样本中的激活值，获取其可区分性用于评价其成熟度；
27、，
28、在对成熟度进行排序后，根据需要被抑制的特征维度的比例，对成熟度从大到小进行排序，得到与特征中各维度特征相对应的排序，根据公式(6)锁定要抑制的神经元的位置掩码；
29、，
30、最后，将位置与特征相乘获得新的特征。
31、进一步地，第五步设计损失函数并进行预训练过程包括：
32、第个乘性噪声增强样本和倒序偏移增强样本的正样本对经过特征提取网络转换得到特征表示和；利用公式(7)中余弦相似度来表示特征之间的距离，其他增强后样本的匹配方式与之相同；
33、，
34、正样本对的对比损失函数的定义如式(8)所示，，表示第个原始样本倒序偏移增强后的样本；
35、，
36、其中是温度参数，是原始样本总数，通过最小化对比损失函数实现基于无标签数据的自监督网络训练。
37、有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
38、本发明针对振动信号设计特定的有效数据增强模式，形成推动自监督网络有效学习的动力，可以充分挖掘故障模式，辅助去除其中的工况和背景噪声模式，为后续有监督训练提供一个极好的优化起始点，有效降低有监督训练过程对有标签监测数据的需求。
39、本发明针对振动信号的三种增强方法极大丰富了样本形式，能够有效辅助自监督学习；接着进行的特征映射后进行稀少类别数据对应特征的逆注意力挑选与着重优化，实现了特征的平衡学习与全局成熟，处理了无标签数据中匿名的类别不平衡情况；之后基于挑选的特征设计的噪声对比估计损失函数能够充分激励自监督学习过程，实现无标签不平衡监测数据的充分利用。
40、本发明的基于自监督预训练后的特征提取网络，仅需极少量有标签故障数据，进行故障诊断网络的全局调整，即可实现故障的直接精准诊断，大幅降低了故障诊断网络真实场景下的训练难度。本发明用于旋转机械的故障诊断中，实现有效智能故障诊断。
1.基于不平衡无标签监测数据自监督的智能故障诊断方法，包括以下步骤：
2.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中乘性噪声增强公式如下：
3.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中倒序偏移增强过程如下：
4.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中加性噪声增强过程如下：
5.根据权利要求1-4任一所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第三步中构建的自监督网络包含特征提取和映射，具体包括：
6.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，特征的平衡学习与全局成熟过程如下：
7.根据权利要求1或6所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第五步设计损失函数并进行预训练过程包括：
