本发明涉及故障诊断，更具体的涉及一种半监督的旋转机械智能故障诊断方法、系统及设备。
背景技术：
1、旋转机械作为现代机械设备的关键部件，广泛应用于航空航天、电力、机械制造等领域，随着机械设备向高速化、复杂化方向发展，机械系统安全性的不确定性也相应增加。一旦旋转机械发生故障，系统的正常运行将受到影响，带来经济损失和严重事故。因此，准确、及时的完成旋转机械(尤其是其核心部件，如轴承、齿轮等)的机械故障检测，是保证作业过程安全、避免人员伤亡的关键。
2、机械设备一旦发生故障，就会立即停机，其故障状态下的样本较少，因此研究有限标记样本下的机械故障诊断就显得尤为必要。近年来，随着人工智能的发展，基于图表示学习方法的半监督机械故障诊断成为研究新方向，图作为一种独特的非欧数据结构，通过将输入样本构造成关联图，可以获得样本之间的关联关系，通过图表示学习的图数据处理方法提取样本之间的关系，从而获取到标记数据与未标记数据之间的联系，最终使用有限标记样本半监督的完成故障诊断，现阶段在旋转机械智能诊断领域应用最广泛的方法为图表示学习的分支之一的图神经网络。
3、然而，现阶段故障诊断研究的图表示学习方法依然存在以下问题：(1)图神经网络由于逐步聚合邻居信息，当模型过深时，会使得节点表示过于平滑，最终得到相似的节点表示，使得诊断效果不佳；(2)图神经网络是基于其自身的特征和来自其邻居的聚合特征信息来学习每个节点的特征表示，但是未深入挖掘关联图的深层次信息，如：图中节点的社区信息；(3)当前方法损失构造都为分类损失，未考虑样本节点表示特征之间的多种近邻损失，如结构、属性一阶近邻、二阶近邻、高阶近邻信息等，使得模型学习更具有解释性。
4、综上，现有技术的故障诊断方法由于未深入挖掘关联图的深层次信息信息，缺乏考虑属性影响结构与结构自身特性的结构关系，导致样本节点表示特征之间的关联性差，影响故障诊断的准确度。
技术实现思路
1、针对上述领域中存在的问题，本发明提出了一种旋转机械故障诊断方法、系统及设备，能够解决现有技术的故障诊断方法由于未深入挖掘关联图的深层次信息信息，缺乏考虑属性影响结构与结构自身特性的结构关系，导致样本节点表示特征之间的关联性差，影响故障诊断的准确度的技术问题。
2、为解决上述技术问题，本发明公开了一种旋转机械故障诊断方法，包括以下步骤：
3、获取轴承不同故障状态下的传感器信号，作为样本数据；对少量样本数据设置标签，构造训练集；
4、将各个样本作为图的节点，将样本的跨域多空间特征作为节点的属性特征；利用结构关联图生成器进行结构连边构造，提取样本的跨域多空间特征；根据提取样本的跨域多空间特征，通过计算跨域多空间特征的相似度，构建属性关联图，并提取属性关联图的节点社区特征；
5、构建用于轴承故障诊断的诊断模型；其中，所述诊断模型将跨域多空间特征、样本的节点社区特征、节点的结构关联图和属性关联图通过非线性层和自注意力机制层进行特征融合；以变分自编码器模型为基础，将融合后的特征通过放射变换进行重采样，获得节点的隐空间特征；
6、根据节点的隐空间特征，通过构造多条件损失约束，约束样本学习相似节点的信息，使用训练集对故障诊断模型进行训练；
7、将样本数据的节点代入训练后的故障诊断模型，进行样本间标签传递，获得故障分类结果。
8、优选地，还包括对传感器信号进行降噪处理，包括以下步骤：
9、依据3σ准则及箱型图方法去除异常数据，并对原数据作归一化处理：
10、
11、根据噪声信号的特点，选择合适的小波函数，设定特定的分解层数，设置阈值大小，阈值t的计算公式为：
12、
13、式中，t是阈值；σ是噪声的标准差，n是噪声信号的长度，σ的计算公式为：
14、
15、式中，w为小波系数，median()表示取中值；
16、阈值确定后，利用软阈值函数对小波系数进行过滤，软阈值函数的计算公式为：
17、
18、式中，wλ为小波系数，λ为阈值；
19、通过mallat算法重构得到降噪后的信号。
20、优选地，所述提取样本的跨域多空间特征，包括以下步骤：
21、提取降噪后的信号的一维空间特征的时域和频域信息；
22、基于极坐标系转换样本采用格拉姆角场完成，将直角坐标系下的一维空间特征的一维时间序列信号缩放至[-1,1]区间，将缩放后的序列转换为极坐标，通过三角函数生成格拉姆角场矩阵；
23、时间序列中一个点的时间、幅值分别对应为极坐标系下的半径、角度；
24、离散时间序列的缩放计算公式为：
25、
26、其中，x＝{x1,x2,…，xn}为原始的一维时间序列，为缩放之后的序列；
27、直角坐标转换为极坐标的计算公式为：
28、
29、其中，ti为时间戳，r为半径，θ为极坐标下角度；
30、格拉姆角场以不同点之间作差或作和，又分为格拉姆角差场和格拉姆角和场，其中：
31、格拉姆角差场计算正弦函数角度差，格拉姆角差场的计算公式为：
32、
33、格拉姆角和场计算余弦函数角度和，格拉姆角和场的计算公式为：
34、
35、基于笛卡尔坐标系转换样本采用相对位置矩阵完成，对信号序列进行z-分值标准化，针对原始时间序列中x＝(xt,t＝1,2,...,n)，通过z-分值标准化的方法得到一个标准正态分布z：
36、
37、其中，μ表示x的平均值，σ表示x的标准差；
38、采用分段聚合近似方法，选择一个合适的缩减因子k，生成一个新的平滑时间序列将维度n减少到m：
39、
40、
41、通过计算分段常数的平均值进行降维，得到新的平滑时间序列的长度为m；
42、计算两个时间戳之间的相对位置，将预处理后的时间序列转换为二维矩阵m，矩阵m表征时间序列中每两个时间戳之间的相对位置关系；
43、
44、利用最小-最大归一化，将矩阵m转换为灰度值矩阵，得到相对位移矩阵f：
45、
46、基于时频坐标系，利用短时傅里叶变换来转换样本数据，对数据进行归一化处理，确保数据值在[-1,1]的范围内；在直角坐标系下对一维时间序列信号进行分析，通过将信号在时域上分割，将每个时间段内的信号转换为频域表示，生成的时频相位图时间沿着横轴，频率沿着纵轴，而每个像素点则代表着相应位置的相位信息。
47、优选地，所述提取属性关联图的节点社区特征，包括以下步骤：
48、分别通过计算一维空间特征及二维空间特征之间的相似度，构造属性关联图；其中，一维空间特征使用余弦相似度计算，用于比较两个非零向量之间的相似程度，余弦相似度的计算公式为：
49、
50、二维空间特征使用归一化互相关系数计算，使用归一化互相关系数，对图像之间的相关性进行定量分析：
51、
52、通过计算得到两样本节点的一维空间特征相似度，二维格拉姆角和场、格拉姆角差场、相对位置矩阵及时频相位图的两两相似度，并对其进行加权求和，得到属性相似度矩阵，属性相似度矩阵的计算公式为：
53、sim(a,b)＝g1cos(a,b)+g2rf(a,b)+g3rgadf(a,b)+g4rgasf(a,b)+g5rstft(a,b)
54、其中，g1,g2,g3,g4,g5为各特征计算权重超参数；
55、当两节点的属性相似度值大于阈值时，假设两个节点在属性上是相似的，构造属性关联矩阵，并设置为1；否则置为0；
56、采用基于改进模块度优化方法的社区发现算法对社区进行划分，获取结构网络每个节点的社区隶属矩阵：
57、
58、其中，矩阵s的第i行si是一个s维的独热向量，表示节点vi的社区隶属关系，s是社区总数，其代表aag全局信息；
59、优选地，所述特征融合的过程，包括以下步骤：
60、提出节点结构关联图生成器，生成可学习的结构关联图；使用节点多空间属性特征及可学习的结构全局特征，联合推理节点的结构关联关系；
61、提取节点的多空间融合特征，将一维空间特征及二维空间特征融合，基于一维空间特征，分别通过独立的非线性层完成一维空间特征提取及压缩，其公式表示如下：
62、y1＝σ(xw1+b1)
63、yl＝σ(yl-1wl+bl)，l＝2，…，l
64、其中，yl表示第l层隐藏层的输出结果，l为非线性层的层数，σ(·)是一个非线性激活函数；
65、引入自注意力机制，进行样本重构，得到一维空间特征的重构信息xodsf；
66、基于二维空间特征，使用残差块分别对不同图像特征进行特征提取，将不同特征在通道维度进行拼接，使用通道注意力机制及空间注意力机制，完成二维空间特征重构，使用多个残差块完成二维空间特征提取；
67、基于残差块提取的特征，进行全局池化及展平，得到样本的二维最终特征二维空间特征的重构信息xtdsf；
68、拼接xodsf与xtdsf，使用非线性层及自注意力机制层完成多维空间特征融合，得到多维空间融合特征xmsff；
69、建立可学习的参数矩阵，其定义为结构关联图的全局结构特征，将其长度设置为128，通过使用非线性层提取其深度信息得到θq；
70、拼接θq与xmsff，通过非线性层融合全局结构信息θq与影响其连接的属性特征xmsff；
71、经过sigmoid映射为节点的连边候选状态θ＝{θij}，根据θ输出候选网络邻接矩阵
72、对邻接矩阵中的每个元素进行采样，其中θij∈[0，1]表示中第i行和第j列的取值为1的概率；使用gumbel softmax技术来生成邻接矩阵，其中
73、
74、
75、式中，ξij和是遵循标准gumbel分布的随机数，τ是调节采样结果分布均匀性的温度参数，取值为1；
76、当τ→0，恰好等于1，概率为θij，或者0，概率为1-θij；
77、噪声ξij的引入，用于推动结构关联图在优化过程中跳出局部极小值；
78、θ＝{θij}的优化随着识别网络一起进行，其是一组可训练参数；新的θ与状态识别有着更强的因果关系，得到的新的候选邻接矩阵更接近最优的结构邻接矩阵；
79、输入为样本的多维空间融合特征xmsff、结构关联图、属性关联图和属性社区信息，基于结构关联图、属性关联图和属性社区信息，分别通过独立的非线性层及自注意力机制层完成单视角信息提取及压缩，并将其进行拼接；
80、经过非线性层，输出节点深度非线性特征zc，特征维度为n×d，其中，d为最终节点表示的隐空间维度。
81、优选地，所述节点的隐空间特征的获取，包括以下步骤：
82、在标准化流映射过程中，使用k个可逆变换函数将特征zc映射到一个趋近较简单的多维高斯概率中；其中，k个可逆变换函数由深度神经网络构成的，每个变换函数接受前一个变换函数得到的输出作为输入；
83、经过多次变换后，符合高度复杂分布的特征zc被映射到了趋近较简单的多维高斯概率分布中，映射函数为：
84、
85、
86、其中，k是流函数变换的数量，每个变换fk都是一个可逆函数，表示fk的雅可比矩阵行列式的绝对值，p(zc)为原始数据zc的概率密度，为经过k次变换后的概率密度；其对应的概率密度函数用输入的特征zc的概率密度函数p(zc)和各层流操作的雅可比行列式的乘积来表示；
87、每个变换fk使用交替仿射变换完成，通过交替仿射变换将输入空间的复杂分布进行旋转和缩放变换，交替仿射变换将原始的节点深度非线性特征zc分成两部分和
88、将作为仿射变换的输入，将作为转换函数的输入，执行一次可逆的仿射变换和数据转换，得到新的随机向量
89、将作为下一层仿射变换的输入，将作为转换函数的输入，重复上述过程，交替变换和直到执行完所有的仿射变换，其公式如下：
90、
91、
92、
93、
94、
95、
96、
97、
98、
99、
100、
101、
102、
103、其中，s1…sk为缩放因子，b1…bk为偏移向量，s1…sk为缩放系数的学习参数，b1…bk为偏移系数的学习参数；net1…netk为仿射变换操作，均为结构相同，参数可学习的深度神经网络；tanh(·)为双曲正切函数，⊙表示按元素相乘，k为仿射变换层数，通过使用缩放和平移操作将数据zc逐步映射为
104、使用变分自编码器，将趋近多维高斯概率分布数据建模为多维高斯概率分布，通过全连接层生成概率分布的均值u及方差σ，其维度均为n×d；
105、通过重采样方法在的多维高斯概率分布中采样，得到潜在变量zg：
106、
107、
108、zg＝u+σ⊙∈
109、其中，w和b分别是概率分布拟合的权值矩阵和偏置，∈是从标准正态分布n(0，1)中采样得到的数据。
110、优选地，所述对故障诊断模型进行训练，包括以下步骤：
111、构造多条件损失约束的约束函数为：
112、loss＝lkl+lsort+α*lslo+β*lloa+δ*lhoa+γ*lgs+ε*lfu
113、式中，α、β、δ、γ、ε，为权重系数，用于调节结构低阶、属性低阶、属性高阶、属性社区及隐空间距离保持的损失函数所占比重；
114、kl散度项为的概率分布与先验分布标准正态分布之间的kl散度；
115、损失函数lkl为：
116、
117、式中，kl为散度项；
118、交叉熵损失函数lsort为：
119、
120、式中，n为标记样本的数目，m为故障类别数，yic为符号函数，如果样本i的真实类别为c，则yic＝1，pic为模型得到的样本i类别为c的概率；
121、
122、式中，为一阶结构接近度保持损失，为二阶结构接近度保持损失，aij为节点i与j连边情况，ai代表节点原始邻接矩阵第i行，代表节点重构邻接矩阵第i行；⊙为逐元素积，若aij＝0，则bi，j＝1，否则bi，j＝β＞1；
123、节点vi与节点vj的低阶属性接近度保持取决于属性近邻矩阵m重建损失以及zi和zj两个向量之间的相似度，同时属性近邻矩阵重建损失包含了属性视角信息保持损失，低阶属性接近度保持的损失函数为：
124、
125、式中，为一阶属性接近度保持损失，为二阶属性接近度保持损失，mij为节点i与j在属性近邻网络中的连边情况，mi代表节点属性近邻矩阵第i行，代表节点重构属性近邻矩阵第i行，τ为相似度衰减系数；
126、
127、其中，k为相似度衰减到阈值时的阶数，高阶接近度从三阶算起；
128、
129、
130、优选地，所述获得故障分类结果，包括以下步骤：
131、将采样得到的潜在变量zg，通过标准化流逆变换将zg返回节点嵌入的复杂空间中，得到充分表达节点嵌入复杂性的嵌入向量z，将嵌入向量带入softmax分类器，得到最终样本的故障类型。
132、优选地，还包括一种旋转机械故障诊断系统，包括：
133、数据获取模块，用于获取轴承不同故障状态下的传感器信号，作为样本数据；对少量样本数据设置标签，构造训练集；
134、跨域多空间特征和节点社区特征模块，用于将各个样本作为图的节点，将样本的跨域多空间特征作为节点的属性特征；利用结构关联图生成器进行结构连边构造，提取样本的跨域多空间特征；根据提取样本的跨域多空间特征，通过计算跨域多空间特征的相似度，构建属性关联图，并提取属性关联图的节点社区特征；
135、轴承内圈诊断的故障诊断模型构建模块，其中，所述诊断模型将跨域多空间特征、样本的节点社区特征、节点的结构关联图和属性关联图通过非线性层和自注意力机制层进行特征融合；以变分自编码器模型为基础，将融合后的特征通过放射变换进行重采样，获得节点的隐空间特征；根据节点的隐空间特征，通过构造多条件损失约束，约束样本学习相似节点的信息，使用训练集对故障诊断模型进行训练；
136、故障分类模块，用于将样本数据的节点代入训练后的故障诊断模型，进行样本间标签传递，获得故障分类结果。
137、优选地，还包括一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
138、获取轴承不同故障状态下的传感器信号，作为样本数据；对少量样本数据设置标签，构造训练集；
139、将各个样本作为图的节点，将样本的跨域多空间特征作为节点的属性特征；利用结构关联图生成器进行结构连边构造，提取样本的跨域多空间特征；根据提取样本的跨域多空间特征，通过计算跨域多空间特征的相似度，构建属性关联图，并提取属性关联图的节点社区特征；
140、轴承内圈诊断的故障诊断模型构建模块；其中，所述诊断模型将跨域多空间特征、样本的节点社区特征、节点的结构关联图和属性关联图通过非线性层和自注意力机制层进行特征融合；以变分自编码器模型为基础，将融合后的特征通过放射变换进行重采样，获得节点的隐空间特征；
141、根据节点的隐空间特征，通过构造多条件损失约束，约束样本学习相似节点的信息，使用训练集对故障诊断模型进行训练；
142、将样本数据的节点代入训练后的故障诊断模型，进行样本间标签传递，获得故障分类结果。
143、与现有技术相比，本发明具有如下有益效果：
144、本发明利用考虑了属性影响结构与结构自身特性的可学习结构关联图生成器，生成了结构关联图，提取样本的跨域多空间特征，充分挖掘了样本之间的结构关系；根据节点属性的相似度建立属性关联图，提取了属性关联图的社区信息，能够进一步构造样本的多视角信息；通过构建的轴承内圈诊断的故障诊断模型，该模型提取融合了已标记样本与周围不同邻域的未标记样本的多种关联信息，半监督的学习最优的节点表示，能够实现高度非线性耦合的多视角信息的融合，通过构造多条件损失约束，构造了结构图及属性图的多阶接近度保持损失，同时针对样本在隐空间距离建立了距离保持损失，有效约束模型保留样本之间的多种关联关系，同时又在节点嵌入隐空间保持一定距离，保留样本自身的独特信息，使得有标签样本的标签可以高效传递，提高了故障分类结果的精确度。
1.一种旋转机械故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的旋转机械故障诊断方法，其特征在于，还包括对传感器信号进行降噪处理，包括以下步骤：
3.根据权利要求2所述的旋转机械故障诊断方法，其特征在于，所述提取样本的跨域多空间特征，包括以下步骤：
4.根据权利要求3所述的旋转机械故障诊断方法，其特征在于，所述提取属性关联图的节点社区特征，包括以下步骤：
5.根据权利要求4所述的旋转机械故障诊断方法，其特征在于，所述特征融合的过程，包括以下步骤：
6.根据权利要求5所述的旋转机械故障诊断方法，其特征在于，所述节点的隐空间特征的获取，包括以下步骤：
7.根据权利要求6所述的旋转机械故障诊断方法，其特征在于，所述对故障诊断模型进行训练，包括以下步骤：
8.根据权利要求7所述的旋转机械故障诊断方法，其特征在于，所述获得故障分类结果，包括以下步骤：
9.一种旋转机械故障诊断系统，其特征在于，包括：
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
