一种基于深度学习的机电系统故障诊断系统

1.一种基于深度学习的机电系统故障诊断系统，其特征在于，包括：数据采集与预处理模块，所述数据采集与预处理模块用于采集机电系统历史运行数据和实时运行数据，并对其设定动态窗口长度、清洗、降噪与标准化处理；可解释深度学习诊断模块，所述可解释深度学习诊断模块与数据采集与预处理模块数据连接，借助因果门控和双分支网络进行特征筛选与解耦学习，提取故障相关特征，最终生成含因果路径与异常提示的诊断结果，实现故障诊断的同时输出诊断依据；所述可解释深度学习诊断模块包括特征计算单元和可解释诊断单元；所述特征计算单元包括离线计算子单元和在线计算子单元；所述在线计算子单元接收输入，传感器数据 和掩码矩阵M，通过因果门控层，对原始特征进行通道级筛选： ；其中， 表示哈达玛积，强制无关通道权重归零，同时，仅保留与当前故障类别因果相关的传感器信号参与后续计算；接着进行解耦特征学习，使用双分支网络结构：因果分支，处理 ，通过因果卷积提取时序因果特征H；非因果分支，处理数据X，通过普通CNN提取全局特征 ；输出融合特征 ；物理约束融合模块，所述物理约束融合模块与可解释深度学习诊断模块数据连接，获取机电系统的物理原理数据和机电系统正常工作下的参数数据，通过机电系统物理原理对可解释深度学习诊断模块进行物理约束，确保诊断结果符合物理规律；决策交互模块，所述决策交互模块与可解释深度学习诊断模块数据连接，用于接收可解释深度学习诊断模块输出的结果与解释信息，并呈现给运维人员，提供交互接口，支持人工复检与反馈，优化诊断系统。 2.如权利要求1所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述数据采集与预处理模块包括数据采集单元和数据预处理单元；所述数据采集单元包括振动传感器、温度传感器、电流传感器、电压传感器和湿度传感器，用于采集机电系统实时运行数据，同时所述数据采集单元通过机电系统历史运行日志获取历史机电系统运行数据和故障数据；所述数据预处理单元采用滑动窗口技术划分时间序列数据，针对不同设备特征设定动态窗口长度，运用自适应滤波算法，消除数据中的噪声干扰，结合归一化方法统一数据尺度，确保数据质量与一致性。 3.如权利要求1所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述特征计算单元通过融合时序与瞬时因果分析生成稀疏因果图，结合因果门控与双分支网络实现特征筛选与解耦学习，完成故障相关特征的有效提取；所述可解释诊断单元基于融合特征与动态因果掩码输出故障概率分布、生成贡献热力图，并通过聚类分析识别未知异常，最终生成包含因果路径与异常提示的诊断报告。 4.如权利要求3所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述离线计算子单元接收输入的多传感器时序数据矩阵 和故障标签y，其中， 代表实数集，T×D表示矩阵的维度，T为时间序列总长度，D为传感器维度；采用时域因果发现算法，融合时序因果与瞬时因果分析，对每个传感器数据 ，使用1D因果卷积核滑动窗口，计算其与基于二元故障进行标记的故障标签 的因果强度得分 ： ；其中， 表示传感器数据 对故障标签 的因果强度得分，得分越小表示因果性越强， 为时序因果项， 为瞬时因果项， 表示平衡因子，用于控制时序因果项与瞬时因果项的权重比例，通过交叉选择验证；时序因果项 具体计算为： ；其中，得分越小表示因果性越强，l表示因果卷积核的长度，即时间窗口的大小， 表示能够学习的卷积核k的权重参数，用于加权历史信号 表示在时间步 的故障标签，0或1，0表示无故障，1表示故障，i表示第i个传感器，j表示第j个故障；瞬时因果项 表示传感器数据 与故障标签 的互信息，用于量化二者间的瞬时统计依赖关系，不依赖时间顺序，计算公式为： ；其中，x表示某个传感器信号的离散化值，y表示故障标签的某一种取值状态，即0或1； 表示传感器数据 处于x，且故障 处于y的联合概率， 表示传感器数据 处于x的边缘概率， 表示故障标签 处于状态 的边缘概率；计算完得分 后，接着通过显著性检验，即置换检验过滤虚假关联，生成稀疏因果图G，其中，节点为传感器i与故障j，边为显著因果链路 ；接着将因果图G转换为二值掩码矩阵 ，其中，C为故障类别数， 表示传感器i对故障j存在因果贡献；然后在每隔指定的训练周期，重新计算因果图并更新M，以适应数据分布变化。 5.如权利要求4所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述可解释诊断单元包括推理诊断子单元和报告生成子单元；所述推理诊断子单元基于融合特征F与动态因果掩码M输出故障概率分布 ； ；其中， 是权重矩阵，维度为故障类别数乘以融合特征F的维度，b表示偏置项，每个类别对应一个标量偏置，基于历史机电系统的运行数据和故障数据进行训练得到；对因果分支的梯度进行显著性溯源生成故障贡献热力图A，即故障 对因果特征 的时间维度梯度总和； ；然后，对非因果分支特征 进行K-means聚类，若当前样本偏离正常簇中心超过阈值，对此样本标记非因果异常标志，并触发非因果异常警告；所述报告生成子单元基于故障概率 、贡献度热力图A和非因果异常标志，结合根据动态因果图G，提取故障类别j的Top-K因果路径，若触发非因果异常警告，追加提示：“检测到未经验证的特征模式，建议人工核查设备异常”。 6.如权利要求5所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述物理约束融合模块包括物理建模单元、物理优化单元和物理验证单元；所述物理建模单元通过融合机电系统多物理场原理，将物理定律符号化，生成可微分计算图，利用PINN处理复杂物理关系，并以张量运算实现跨场耦合，最终输出支持梯度反向传播的DPCU Library，为后续计算奠定基础；所述物理优化单元在模型训练时实时注入动态物理约束，基于原始传感器数据和DPCULibrary进行物理状态估计，通过计算实际与理论物理量的绝对残差，结合滑动窗口与KL散度动态调整约束权重，确保模型训练符合物理规律；所述物理验证单元依据模型预测的故障类型与绝对残差，校验预测结果的物理可行性，通过检索违反的物理规则集判断结果有效性；对不可行结果，筛选高概率候选故障修正预测，若无法修正则触发警报并追溯可疑传感器数据，为系统维护提供依据。 7.如权利要求6所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述物理建模单元输入机电系统多物理场原理，并将物理定律转化为符号表达式，使用自动微分工具PyTorch的SymPy集成，生成可微分计算图；对难以显式表达的复杂物理关系，采用物理信息神经网络PINN进行代理建模，确保可微性，构建场间耦合关系图，定义物理量交互规则，通过张量运算实现跨场计算，最后输出可微分物理计算单元库DPCU Library，并支持梯度反向传播。 8.如权利要求7所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述物理优化单元在特征计算单元在线训练时进行动态物理约束注入；首先输入原始传感器数据X和DPCU Library进行物理状态估计，使用DPCU从X中计算衍生物理量 ，同时，基于物理模型计算理论物理量 ，其中z表示物理量的种类数；物理残差生成：计算实际与理论的绝对残差： ；并通过滑动窗口统计残差分布 ，自适应约束松弛，设计动态约束权重： ；其中，KL表示KL散度，用于衡量两个分布的差异程度， 表示缩放因子，控制差异敏感度， 为Sigmoid函数， 为正常工况残差分布，残差分布越偏离正常， 越大，物理约束越严格；实际运用流程如下：滑动窗口统计，每隔指定一段时间窗口，计算当前窗口内各物理量残差的分布 ，KL散度计算，将 与预存的 计算KL散度，通过Sigmoid函数将KL散度转换为权重 ，差异越大， 越接近1，物理约束越强。 9.如权利要求8所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述物理验证单元基于模型预测故障类型y和t时的绝对残差R；物理可行性校验，根据故障类型y，检索其必须违反的物理规则集合 ；若存在 未被满足，则判定预测结果y物理不可行；多假设修正，启动物理引导的候选集搜索：从故障概率分布 中筛选故障概率前三高筛选符合 的故障类型；若无候选满足，触发未知故障警报，提示人工介入，物理参数溯源，对物理不可行预测，反向追溯导致矛盾的传感器数据，生成可疑传感器列表供维护参考。 10.如权利要求5所述一种基于深度学习的机电系统故障诊断系统，其特征在于：所述决策交互模块通过提供Web界面展示贡献度热力图、因果路径图及原始信号对比，以及报告生成子单元中生成的追加提示。