知识引导的跨工况旋转机械异常检测

摘要

旋转机械是现代工业与制造业中的关键设备，其运行状态的安全性直接关系生产效率和设备寿命.然而，旋转机械通常运行于复杂多变的工况，这增加了现有异常检测方法对信号特征的辨识难度，导致其难以有效区分正常与异常状态.为此，本文提出了一种基于小波核注意力卷积自编码器与狄利克雷过程高斯混合隐马尔可夫模型的知识引导数据驱动方法，用于跨工况下旋转机械的异常检测.具体而言，小波核注意力卷积层被设计用于对振动信号进行多尺度特征提取与融合，随后通过卷积自编码器获取样本低维表示.接着，低维表示被用于估计高斯混合隐马尔可夫模型中每个隐状态对应的观测序列混合隶属度和状态转移概率，其中高斯组件的数量由狄利克雷过程确定.此外，本文提出了一个联合优化框架，使用变分贝叶斯推断的证据下界作为损失项，并结合观测序列能量等多个损失项，以端到端的方式诱导跨工况数据在压缩网络的表示学习和估计网络的密度估计.实验结果表明，本文方法在公开数据集与自研的主轴旋转机械平台上取得了优异的性能，并讨论了所提方法在特征提取与模型决策过程上的可解释性.

关键词

旋转机械 / 异常检测 / 注意力机制 / 狄利克雷过程 / 知识引导