專利技術(shù)交底書(范例)技術(shù)領(lǐng)域本發(fā)明涉及一種基于多源異構(gòu)數(shù)據(jù)融合的分布式智能故障診斷系統(tǒng)，尤其適用于高速旋轉(zhuǎn)機械在復(fù)雜工況下的早期微弱故障識別與剩余壽命預(yù)測。系統(tǒng)通過邊緣計算節(jié)點完成高頻振動、聲發(fā)射、溫度、電流、油液顆粒度五類傳感信號的同步采集，利用自適應(yīng)壓縮感知算法在本地完成90%以上的數(shù)據(jù)降維，僅將特征指紋與置信度上傳至云端，實現(xiàn)端到端延遲低于80ms的實時診斷；同時引入基于因果推斷的圖神經(jīng)網(wǎng)絡(luò)，對跨工況遷移故障進行根因定位，解決傳統(tǒng)方法在變速、變載、變溫場景下誤報率高的難題。背景技術(shù)現(xiàn)有旋轉(zhuǎn)機械故障診斷方案大致分為三類：1.基于物理模型的閾值報警：依賴專家經(jīng)驗設(shè)定固定門限，無法適應(yīng)工況漂移，漏報率隨服役時間指數(shù)上升；2.單傳感器+云端深度學(xué)習(xí)：需上傳原始高頻數(shù)據(jù)，帶寬占用大，工廠內(nèi)網(wǎng)峰值可達800Mbps，且云端集中訓(xùn)練模型更新周期長，難以捕捉早期微弱沖擊；3.邊緣AI芯片方案：雖在本地完成推理，但受限于算力，只能運行淺層網(wǎng)絡(luò)，對復(fù)合故障識別精度不足，且模型固化后無法在線吸納新故障模式。此外，高速軸承早期剝落產(chǎn)生的沖擊信號能量僅占總能量的0.3%，信噪比低于-22dB，傳統(tǒng)包絡(luò)解調(diào)需人工選擇共振頻帶，自動化程度低；而溫度、電流等低頻信號變化滯后，無法反映機械動態(tài)特性。因此，亟需一種在資源受限邊緣節(jié)點上實現(xiàn)多源信息互補、可在線增量學(xué)習(xí)、跨工況魯棒、且能給出可解釋診斷結(jié)論的系統(tǒng)級方案。發(fā)明內(nèi)容本發(fā)明提出“端-邊-云”協(xié)同架構(gòu)，核心創(chuàng)新點包括：A.硬件層：設(shè)計一種可插拔的“原子級”傳感融合模組，振動通道采用24位Δ-ΣADC+IEPE恒流源，采樣率可調(diào)至102.4kS/s，通過級聯(lián)方式最多同步8路；聲發(fā)射通道內(nèi)置40dB前放，帶寬10k-1MHz；溫度通道使用三線制PT100，分辨率0.01℃；電流通道基于0.1mΩ分流電阻+隔離運放，帶寬DC-10kHz；油液顆粒度采用激光遮光法，粒徑范圍4-200μm。五類信號經(jīng)TSN（時間敏感網(wǎng)絡(luò)）統(tǒng)一授時，時鐘同步誤差<200ns，解決多源數(shù)據(jù)對齊難題。B.算法層：1.自適應(yīng)壓縮感知：針對振動信號稀疏性，構(gòu)建冗余字典D∈R^(N×M)，N=1024，M=4096，字典原子為Morlet小波與沖擊衰減指數(shù)的乘積；通過SAMP（SparsityAdaptiveMatchingPursuit）算法動態(tài)估計稀疏度k，使壓縮比隨信噪比自動在8:1-32:1之間調(diào)整；重構(gòu)誤差控制在2%以內(nèi)，較傳統(tǒng)隨機高斯矩陣提升6dB增益；2.多模態(tài)特征耦合：將壓縮后的振動、聲發(fā)射高頻分量輸入雙分支1-DCNN，低頻溫度、電流輸入TCN（時序卷積網(wǎng)絡(luò)），油液顆粒度輸入圖注意力網(wǎng)絡(luò)；設(shè)計“跨模態(tài)注意力門”機制，以振動分支為主干，其余模態(tài)通過1×1卷積生成注意力權(quán)重，對主干特征圖進行通道級加權(quán)，實現(xiàn)異構(gòu)信息互補；3.因果圖神經(jīng)網(wǎng)絡(luò)：構(gòu)建工況-故障-癥狀三元組因果圖G=(V,E)，節(jié)點V包含轉(zhuǎn)速、負載、溫度、振動均方根、包絡(luò)峰值、聲發(fā)射計數(shù)、電流諧波、油液顆粒度等18個變量；利用PC算法從10TB歷史數(shù)據(jù)中學(xué)習(xí)因果骨架，再引入DoWhy框架進行干預(yù)分析，得到有向無環(huán)圖；將圖結(jié)構(gòu)嵌入到GraphSAGE，節(jié)點特征更新時引入“因果掩碼”，阻斷虛假關(guān)聯(lián)，使跨工況遷移診斷準確率提升17.3%；4.增量式元學(xué)習(xí)：當(dāng)邊緣節(jié)點遇到新故障模式時，僅采集≤5min的少量樣本，采用MAML（Model-AgnosticMeta-Learning）二次梯度更新，將全局模型參數(shù)θ調(diào)整為本地θ'，更新參數(shù)量<1%，實現(xiàn)“5-shot”場景下F1>0.92；同時利用知識蒸餾將舊模型logits保留，避免災(zāi)難性遺忘；C.系統(tǒng)層：1.雙時間尺度調(diào)度：邊緣節(jié)點以1kHz頻率運行輕量級故障檢測器，若連續(xù)3次觸發(fā)“疑似”標(biāo)志，則啟動100kHz高速采集，進入“顯微”模式，降低常態(tài)功耗42%；2.云端數(shù)字孿生：基于Unity3D構(gòu)建高保真軸承動力學(xué)模型，輸入實時工況后，可在200ms內(nèi)給出虛擬傳感器響應(yīng)，與真實觀測差異>5%時自動標(biāo)記為“異常”，用于反哺圖神經(jīng)網(wǎng)絡(luò)；3.安全可信：邊緣與云端通道采用國密SM9標(biāo)識密碼，會話密鑰生命周期≤10min；模型參數(shù)使用IntelSGXenclave解密，運行內(nèi)存加密，防止供應(yīng)鏈攻擊；D.壽命預(yù)測：將圖神經(jīng)網(wǎng)絡(luò)輸出的健康狀態(tài)h(t)∈[0,1]輸入隨機退化模型，采用非線性Wiener過程{dh(t)=μ(h,t)dt+σ(h,t)dW(t)}，利用粒子濾波在線估計超參數(shù)μ、σ，給出剩余壽命概率密度函數(shù)，90%置信區(qū)間寬度較傳統(tǒng)Gamma過程縮小28%。具體實施方式實施例1：高速主軸軸承早期外圈剝落診斷步驟1：將原子級傳感融合模組安裝于主軸軸承座45°方向，確保振動加速度計靈敏度軸與徑向垂直；步驟2：邊緣節(jié)點上電后，TSN交換機通過802.1AS協(xié)議完成時鐘同步，隨后以2kS/s采集溫度、電流，以51.2kS/s采集振動、聲發(fā)射，油液顆粒度每30s上傳一次計數(shù)；步驟3：振動信號經(jīng)壓縮感知后得到測量向量y=Φx，Φ∈R^(128×1024)，SAMP算法迭代20次，重構(gòu)信號x?；步驟4：將x?輸入雙分支CNN，高頻分支輸出128維特征Fh，低頻分支輸出64維特征Fl；跨模態(tài)注意力門以Fh為主，生成權(quán)重α=sigmoid(Wa·Fl+ba)，加權(quán)后特征F'=Fh⊙α；步驟5：因果圖神經(jīng)網(wǎng)絡(luò)以F'及工況節(jié)點作為輸入，經(jīng)兩層GraphSAGE聚合，輸出節(jié)點“外圈剝落”概率0.87，同時給出根因路徑：轉(zhuǎn)速↑→滑動↑→沖擊↑→剝落；步驟6：若概率>0.8，觸發(fā)“顯微”模式，采樣率提升至102.4kS/s，持續(xù)10s，進一步確認；步驟7：云端數(shù)字孿生同步運行，虛擬傳感器顯示沖擊值較正?；€高6dB，驗證邊緣結(jié)論；步驟8：粒子濾波估計剩余壽命為472h（90%置信區(qū)間[408,536]），系統(tǒng)向MES推送維護工單。實施例2：齒輪箱復(fù)合故障（齒面磨損+軸承內(nèi)圈裂紋）步驟1：在齒輪箱輸入/輸出端各布置1組模組，采集振動、聲發(fā)射、油液；步驟2：邊緣節(jié)點檢測到磨損顆粒濃度由15mg/L突增至120mg/L，同時振動出現(xiàn)雙周期沖擊；步驟3：因果圖神經(jīng)網(wǎng)絡(luò)識別出兩條獨立因果鏈：a)潤滑↓→磨損↑→振動↑b)內(nèi)圈裂紋→沖擊↑→振動↑系統(tǒng)輸出復(fù)合故障概率0.91，并提示“潤滑系統(tǒng)失效”為首要根因；步驟4：維護人員更換潤滑油后，磨損顆粒濃度下降，系統(tǒng)通過增量元學(xué)習(xí)將“潤滑不良-磨損”模式固化，后續(xù)同型號齒輪箱出現(xiàn)類似癥狀時，可在30s內(nèi)給出相同結(jié)論。實施例3：云端模型全局更新步驟1：各邊緣節(jié)點每日上傳匿名特征指紋與診斷結(jié)果，云端聚合得到1.2GB日增量；步驟2：采用聯(lián)邦平均算法，對圖神經(jīng)網(wǎng)絡(luò)進行全局更新，學(xué)習(xí)率按節(jié)點數(shù)據(jù)量加權(quán)，通信輪次≤5；步驟3：更新后的全局模型通過SM9加密通道下發(fā)，邊緣節(jié)點在夜間維護窗口完成熱替換，切換時間<100ms，無需停機；步驟4：對比實驗表明，全局模型在變速工況下誤報率由2.7%降至0.9%，提升67%。性能指標(biāo)1.早期故障檢測：對外圈剝落0.3mm2面積，信噪比-22dB，檢出率>96%，誤報率<0.5%；2.跨工況遷移：轉(zhuǎn)速600-12000r/min、負載0-150%額定、溫度20-120℃范圍內(nèi)，F(xiàn)1≥0.93；3.邊緣延遲：從數(shù)據(jù)采集到給出診斷結(jié)果<80ms，其中壓縮感知重構(gòu)耗時18ms，CNN+圖網(wǎng)絡(luò)推理42ms，其余為通信與系統(tǒng)調(diào)度；4.功耗：常態(tài)運行<1.8W，顯微模式<3.5W，較傳統(tǒng)邊緣GPU方案降低62%；5.壽命預(yù)測：90%置信區(qū)間覆蓋率>92%，平均絕對百分比誤差MAPE<8%。附圖說明圖1：原子級傳感融合模組爆炸圖，示出振動加速度計、聲發(fā)射傳感器、PT100、電流采樣電阻、激光顆粒度傳感器及TSNPHY芯片布局；圖2：自適應(yīng)壓縮感知流程圖，顯示稀疏度估計、測量矩陣更新、重構(gòu)誤差反饋閉環(huán)；圖3：跨模態(tài)注意力門結(jié)構(gòu)，示出1×1卷積、sigmoid激活、通道級乘積；圖4：因果圖神經(jīng)網(wǎng)絡(luò)，節(jié)點顏色表示變量類型，邊粗細表示因果強度；圖5：端-邊-云協(xié)同架構(gòu)時序圖，標(biāo)注時鐘同步、特征上傳、模型下發(fā)、數(shù)字孿生反饋；圖6：粒子濾波剩余壽命預(yù)測曲線，示出概率密度隨時間演化及90%置信區(qū)間。權(quán)利要求書1.一種基于多源異構(gòu)數(shù)據(jù)融合的分布式智能故障診斷系統(tǒng)，其特征在于，包括：a)原子級傳感融合模組，用于同步采集振動、聲發(fā)射、溫度、電流、油液顆粒度五類信號，并通過TSN實現(xiàn)<200ns時鐘同步；b)自適應(yīng)壓縮感知模塊，用于根據(jù)信噪比動態(tài)調(diào)整壓縮比8:1-32:1，并在邊緣節(jié)點完成信號重構(gòu)；c)跨模態(tài)注意力門，用于以振動特征為主干，對其余模態(tài)特征進行通道級加權(quán)，實現(xiàn)信息互補；d)因果圖神經(jīng)網(wǎng)絡(luò)，用于學(xué)習(xí)工況-故障-癥狀因果圖，阻斷虛假關(guān)聯(lián)，提升跨工況遷移準確率；e)增量式元學(xué)習(xí)模塊，用于在≤5min新故障樣本場景下實現(xiàn)在線模型更新，避免災(zāi)難性遺忘；f)雙時間尺度調(diào)度器，用于在常態(tài)與顯微模式之間切換，降低功耗42%；g)云端數(shù)字孿生，用于在200ms內(nèi)生成虛擬傳感器響應(yīng)，與真實觀測差異>5%時標(biāo)記異常；h)粒子濾波壽命預(yù)測模塊，用于在線估計非線性Wiener過程超參數(shù)，給出剩余壽命概率密度函數(shù)。2.根據(jù)權(quán)利要求1所述的自適應(yīng)壓縮感知模塊，其特征在于，采用SAMP算法動態(tài)估計稀疏度k，字典原子為Morlet小波與沖擊衰減指數(shù)的乘積，重構(gòu)誤差≤2%。3.根據(jù)權(quán)利要求1所述的因果圖神經(jīng)網(wǎng)絡(luò)，其特征在于，利用PC算法與DoWhy框架