一种大功率齿轮箱运行工况识别与风险预警方法

1.一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于，包括以下步骤：S1，基于多类传感器采集大功率齿轮箱实时运行数据，包括轴承振动信号数据、轴向位移数据、齿轮振动信号数据、轴承温度场数据、齿轮温度场数据和金属颗粒数量数据；S2，将S1采集的数据输入到训练完成的多分支特征提取模型，首先基于齿轮箱工况特征提取主干网络提取齿轮箱工况多源数据时间依赖深度特征，然后基于多分支提取网络共享多源数据时间依赖深度特征，输出断齿工况时序增强特征、轴承故障工况深度特征、轴向位移工况深度特征和齿侧间隙变化工况深度特征；所述多分支特征提取模型包括齿轮箱工况特征提取主干网络、断齿工况特征提取分支网络、轴承故障工况特征提取分支网络、轴向位移工况特征提取分支网络和齿侧间隙变化工况特征提取分支网络；所述齿轮箱工况特征提取主干网络以轴承振动信号数据、轴向位移数据、齿轮振动信号数据、轴承温度场数据、齿轮温度场数据和金属颗粒数量数据组成的齿轮箱工况多源数据作为输入，获得齿轮箱工况多源数据时间依赖深度特征，包括齿轮振动信号数据时间依赖深度特征、齿轮温度场数据时间依赖深度特征、轴承振动信号数据时间依赖深度特征、轴承温度场数据时间依赖深度特征、金属颗粒数量数据时间依赖深度特征和轴向位移数据时间依赖深度特征；所述断齿工况特征提取分支网络输入为齿轮振动信号数据时间依赖深度特征和齿轮温度场数据时间依赖深度特征，输出断齿工况时序增强特征；所述轴承故障工况特征提取分支网络输入为轴承振动信号数据时间依赖深度特征、轴承温度场数据时间依赖深度特征和金属颗粒数量数据时间依赖深度特征，输出为轴承故障工况深度特征；所述轴向位移工况特征提取分支网络输入为轴承振动信号数据时间依赖深度特征，输出为轴向位移工况深度特征；所述齿侧间隙变化工况特征提取分支网络输入为齿轮振动信号数据时间依赖深度特征，输出为齿侧间隙变化工况深度特征；S3，将S2得到的四种特征输入训练完成的齿轮箱运行工况识别模型，模型采用多特征融合机制和对多标签分类任务建模方法对齿轮箱的当前运行工况进行预测，获取断齿、轴承故障、轴向位移和齿侧间隙四种预测结果及其对应置信度；所述齿轮箱运行工况识别模型包括特征加权融合网络、工况感知增强网络和多标签工况识别网络；所述特征加权融合网络作为齿轮箱运行工况识别模型的前置层，接收来自多分支特征提取模型的断齿时序增强特征、轴承故障工况深度特征、轴向位移工况深度特征和齿侧间隙变化工况深度特征，基于注意力机制及特征加权，得到断齿工况注意力特征、轴承故障工况注意力特征、轴向位移工况注意力特征和齿侧间隙变化工况注意力特征；将特征加权融合网络输出的各工况注意力特征输入工况感知增强网络，经过 个堆叠的Transformer编码器对工况注意力特征进行逐层特征增强，输出断齿工况感知增强特征、轴承故障工况感知增强特征、轴向位移工况感知增强特征和齿侧间隙变化工况感知增强特征；将四种增强特征输入多标签工况识别网络，输出工况预测结果及其置信度，所述多标签工况识别网络首先构建工况关联图，其次采用图注意力网络进行工况识别与预测；S4，基于S3得到的预测结果及置信度，通过预设的风险预警策略进行相应预警。 2.如权利要求1所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：在齿轮箱轴承处布置加速度传感器采集轴承运行过程的振动信号数据作为轴承振动信号数据；在齿轮箱的输入轴和输出轴分别布置位移传感器采集轴承运行过程中的轴向位移数据；在齿轮箱齿轮啮合处布置加速度传感器采集齿轮运转过程中的振动信号数据作为齿轮振动信号数据；在齿轮箱轴承处布置热电阻传感器阵列采集轴承运行过程中的温度数据作为轴承温度场数据；在齿轮箱齿轮啮合处布置热电偶传感器阵列采集齿轮运转过程中的温度数据作为齿轮温度场数据；在齿轮箱的油液出口安装油液颗粒计数器采集齿轮箱运行过程中的金属颗粒数量数据。 3.如权利要求1所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：所述齿轮箱工况特征提取主干网络，包括特征对齐层和两个依次串联的特征建模网络，特征建模网络包括全连接层、长短期记忆网络层和ReLU激活函数层；首先将轴承振动信号数据、轴向位移数据、齿轮振动信号数据、轴承温度场数据、齿轮温度场数据和金属颗粒数量数据组成的齿轮箱工况多源数据输入特征对齐层进行时间尺度的特征对齐，特征对齐层采用自回归差分移动平均模型对所述齿轮箱工况多源数据进行时间维度的对齐；其次将对齐后的齿轮箱工况多源数据输入第一特征建模网络进行特征提取，全连接层进行特征提取后输入ReLU激活函数层进行特征截断，舍去特征值为0的特征点，接着将ReLU激活函数层的输出输入长短期记忆网络层，利用长短期记忆网络层对特征进行时间依赖关系建模，捕捉齿轮箱工况多源数据中每一种工况数据潜在的前向时间依赖关系，获得齿轮箱工况多源数据时间依赖特征；将第一特征建模网络输出的时间依赖特征输入第二特征建模网络获得齿轮箱工况多源数据时间依赖深度特征。 4.如权利要求1所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：所述特征加权融合网络包括特征拼接层、自注意力机制层和Softmax激活函数层；首先将获得的断齿工况时序增强特征、轴承故障工况深度特征、轴向位移工况深度特征和齿侧间隙变化工况深度特征输入特征拼接层进行特征拼接，形成聚合特征矩阵；其次将聚合特征矩阵输入自注意力机制层，自注意力机制通过三个可学习的权重矩阵，将输入的聚合特征矩阵分别映射为查询Q、键K和值V三个不同的表示空间；通过计算Q和K的点积，并经过缩放操作，获得断齿时序增强特征、轴承故障工况深度特征、轴向位移工况深度特征和齿侧间隙变化工况深度特征之间的注意力得分；再次将注意力得分输入Softmax激活函数层进行归一化，生成范围在0到1之间的注意力权重，包括断齿时序增强特征注意力权重、轴承故障工况深度特征权重、轴向位移工况深度特征权重和齿侧间隙变化工况深度特征权重；最后将四种工况特征与对应权重进行点积获得断齿工况注意力特征、轴承故障工况注意力特征、轴向位移工况注意力特征和齿侧间隙变化工况注意力特征。 5.如权利要求4所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：所述工况感知增强网络包括 个堆叠的Transformer编码器，每个编码器层包含一个多头注意力机制层和前馈神经网络层；多头注意力机制层对每个工况注意力特征内部的各个维度之间进行信息交互，通过并行的多个注意力头，从不同的表示子空间中学习特征间的依赖关系，增强工况注意力特征表达能力，获得工况上下文感知特征；前馈神经网络层对多头注意力机制层输出的上下文感知特征进行非线性变换，增强模型的表达能力；经过 个堆叠的Transformer编码器对工况注意力特征进行逐层特征增强，工况感知增强网络最终输出断齿工况感知增强特征、轴承故障工况感知增强特征、轴向位移工况感知增强特征和齿侧间隙变化工况感知增强特征。 6.如权利要求5所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：所述多标签工况识别网络首先构建工况关联图，在工况图中每一个节点都代表一种工况标签，节点间的初始边长为获得的工况之间的注意力分数，将输出的断齿工况感知增强特征、轴承故障工况感知增强特征、轴向位移工况感知增强特征和齿侧间隙变化工况感知增强特征作为查询信息，通过线性变换赋予图中的每个工况节点一个初始的特征表示；将工况关联图输入图注意力网络进行推理，图注意力网络在推理过程中将不断更新工况图中的边长和每个节点的特征，从而显式地量化各工况间的瞬时相互影响强度，经过多层图注意力网络的信息传播与聚合后，每个节点都得到了一个融合了相关工况信息的、最终的特征表示；最后，将这些更新后的节点特征分别通过一个独立的线性层和Sigmoid激活函数输出工况预测结果及其置信度。 7.如权利要求6所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：工况预测结果为一个四维向量，向量的每一维度分别存储了断齿、轴承故障、轴向位移和齿侧间隙四种工况的预测结果和置信度；在某一维度上的工况预测结果为1则表明齿轮箱目前正处于该向量维度对应的工况上，如果为0，则表明目前齿轮箱不在该向量维度对应的工况上；置信度为0到1之间的数值，反映了模型为某工况的可能性，数值越大可能性越高；若工况预测结果在所有维度上的值均为0，则齿轮箱目前处于正常工况。 8.如权利要求1所述的一种大功率齿轮箱运行工况识别与风险预警方法，其特征在于：所述S4具体为：将为不同工况的置信度设定一个关注阈值，当S3输出的某一工况置信度在时间 内均大于该阈值时，该工况被确认为一个需要启动预警流程的待观察事件；如果某一工况被确定为待观察事件，则首先计算该工况在时间 内的工况置信度的梯度，根据梯度确定该工况时间 内的置信度变化速度；其次将该工况在时间 内的工况置信度输入长短期记忆网络输出未来 至 多个时刻的工况置信度预测值，若工况置信度预测值中有某个时刻的值超出关注阈值并且该工况在时间 内的工况置信度的梯度超出预设阈值则触发警报。