本技术涉及燃气轮机拉杆转子系统故障诊断领域，特别是一种仿真数据驱动的燃气轮机拉杆转子系统拉杆螺栓松动故障域泛化诊断方法、装置及其应用。
背景技术：
1、燃气轮机，作为现代工业的基石，凭借其高能效与环境友好性，在电力、能源以及化工领域扮演着至关重要的角色。其核心组件——拉杆转子系统，不仅承载着巨大的动力负荷，还必须满足严格的强度和刚度标准。为了实现这一目标，设计者往往将拉杆转子构造成非连续结构，以此来应对极端的工作条件。然而，这种设计在面对周期性载荷和应力集中时，其连接结构的稳定性成为一大挑战，特别是拉杆螺栓在复杂工况下的松动问题。一旦发生，这不仅可能引起转子不对中和碰摩等严重故障，更会直接威胁到整个系统的安全运行，甚至引发灾难性的事故，造成不可估量的经济损失。
2、针对这一难题，学术界和工业界已经开始探索基于深度学习的智能诊断技术，以期在早期阶段准确识别并预测拉杆螺栓的松动状况。然而，受限于故障发生时工况的不确定性，构建全面且精准的故障数据集异常艰难，进而严重影响了现有智能诊断算法的性能和可靠性。因此，开发能够在未知工况下有效诊断拉杆转子系统中拉杆螺栓松动故障的技术，成为确保燃气轮机长期稳定运行的关键所在。遗憾的是，当前的技术文献中尚缺乏此类研究的报道，凸显了这一领域的研究空白和迫切需求。
3、为了应对未知工况下的故障诊断挑战，现有的研究主要采取了域泛化的诊断策略，进一步细分为多源域泛化和单源域泛化两种方法。多源域泛化方法通过整合来自不同工况或设备的多样本数据，旨在训练出能够提取域不变特征的神经网络模型，从而提升其在未见工况下的适应性和泛化能力。尽管如此，这种方法面临着数据采集和标注耗时长、成本高的困境，加之不同源域数据间的标签和属性差异可能导致模型训练时的类别混淆，增加了算法设计的复杂度。
4、相比之下，单源域泛化方法则专注于利用数据生成或数据增强技术对单一源域数据进行扩展，以模拟未知工况下的目标域数据，进而提高模型的鲁棒性和泛化性。这种方法有效缓解了多源域泛化中数据获取难度大和分布差异显著的问题。然而，它同样存在局限性，尤其是在数据生成过程中易遭遇模式崩溃现象，导致生成数据的质量欠佳、种类单一，且数据生成过程的不稳定性及计算效率低下，限制了其在实际场景中的应用广度和深度。
5、鉴于上述背景，本发明旨在提出一种创新的拉杆转子系统拉杆螺栓松动故障诊断方案，以克服现有技术面临的挑战，实现对未知工况下故障的有效识别与预防，从而为燃气轮机的安全运行提供强有力的技术支撑。
技术实现思路
1、本技术实施例提供了一种仿真数据驱动的燃气轮机拉杆转子系统拉杆螺栓松动故障域泛化诊断方法、装置及其应用，针对目前技术存在的难以在保证数据质量和效率的同时，实现对未知工况下拉杆螺栓松动故障的有效、精准诊断等问题。
2、本发明核心技术主要是通过整合实验与仿真两种数据资源，利用深度学习模型的强大学习能力，实现了在数据稀缺和工况变化条件下，对燃气轮机拉杆转子系统中拉杆螺栓松动故障的高精度诊断，显著提升了现有技术的实用价值和可靠性。
3、第一方面，本技术提供了拉杆转子系统拉杆螺栓松动故障诊断方法，所述方法包括以下步骤：
4、s00、收集包含实验数据和仿真数据的原始数据；
5、其中，实验数据从拉杆转子系统故障模拟实验台获取，反映不同工况下拉杆螺栓不同松动程度的振动位移信号；仿真数据基于考虑拉杆螺栓松动的拉杆转子系统整体动力学模型获得；
6、s10、预处理原始数据，形成带标签的源域样本和无标签的目标域样本；
7、s20、通过前向传播和后向传播进行网络训练，直至达到最大训练轮数，期间不断优化模型参数，以实现从源域到目标域的知识迁移；
8、训练完成后，保存最优网络模型及其参数；
9、s30、利用训练好的模型对目标域样本进行预测分类，以诊断拉杆螺栓的松动故障。
10、进一步地，s00步骤中，仿真数据的收集具体包括：
11、建立拉杆转子拉杆-盘连接结构的动力学模型；
12、建立拉杆螺栓松动故障的动力学模型；
13、结合上述两个动力学模型，建立考虑拉杆螺栓松动的拉杆转子系统整体动力学模型，以生成与实验工况相对应的系统振动响应数据。
14、进一步地，s10步骤中，对原始数据进行预处理，包括归一化和格式调整，将带标签的仿真数据定义为源域样本，用于模型训练；无标签的实验数据作为目标域样本，仅用于模型验证。
15、进一步地，s20步骤中，利用包含注意融合特征提取模块、聚类模块和分类模块的深度学习网络进行网络训练，其中网络训练包括前向传播和后向传播。
16、进一步地，注意融合特征提取模块由cnn-eca模块和gcn模块组成，其中cnn-eca模块包含卷积神经网络块和高效通道注意力机制，gcn模块则利用图卷积网络提取节点间关系特征。
17、进一步地，聚类模块通过对提取的融合特征求解多相似性损失，以增强网络的泛化能力；
18、分类模块采用全连接层和softmax层进行最终的故障分类预测。
19、进一步地，网络训练的优化目标为分类损失和多重相似性损失，通过反向传播算法和优化算法更新网络参数，实现损失最小化。
20、第二方面，本技术提供了一种燃气轮机拉杆转子系统拉杆螺栓松动故障域泛化诊断装置，包括：
21、数据采集模块，收集包含实验数据和仿真数据的原始数据；
22、其中，实验数据从拉杆转子系统故障模拟实验台获取，反映不同工况下拉杆螺栓不同松动程度的振动位移信号；仿真数据基于考虑拉杆螺栓松动的拉杆转子系统整体动力学模型获得；
23、预处理模块，预处理原始数据，形成带标签的源域样本和无标签的目标域样本；
24、训练模块，通过前向传播和后向传播进行网络训练，直至达到最大训练轮数，期间不断优化模型参数，以实现从源域到目标域的知识迁移；训练完成后，保存最优网络模型及其参数；
25、预测模块，利用训练好的模型对目标域样本进行预测分类，以诊断拉杆螺栓的松动故障。
26、第三方面，本技术提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的拉杆转子系统拉杆螺栓松动故障诊断方法。
27、第四方面，本技术提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的拉杆转子系统拉杆螺栓松动故障诊断方法。
28、本发明的主要贡献和创新点如下：
29、1.仿真数据与实验数据的深度融合
30、本发明创造性地将仿真数据与实验数据相结合，利用仿真数据的可控性和实验数据的真实性，构建了一个综合的数据集，为深度学习模型提供丰富的训练素材，解决了单一数据源在覆盖度和真实性上的不足，显著增强了模型在未知工况下的适应性和泛化能力。
31、2. 深度学习框架的创新设计
32、本发明提出的深度学习框架集成了注意融合特征提取模块、聚类模块和分类模块，其中cnn-eca模块和gcn模块的联合使用，不仅能够捕捉时间序列数据的局部特征，还能挖掘节点间的关系特征，实现了对拉杆螺栓松动故障特征的高效提取和融合。聚类模块与分类模块的结合，进一步增强了模型对未知数据的分类准确性，确保了诊断结果的可靠性。
33、3. 多相似性损失与分类损失的优化目标
34、本发明在模型训练过程中，采用了多相似性损失与分类损失相结合的优化目标，不仅关注故障分类的准确性，还强调了不同工况下样本间的相似性，有效避免了模型对特定工况的过度拟合，提高了模型的泛化能力和鲁棒性。具体地，考虑到动力学模型建模过程中的简化和假设，导致源域仿真数据与目标域真实数据存在一定差异，利用多重相似性损失弥补域分布偏移的影响，实现特征的类级优化。同时，采用注意力特征融合策略，提取局部特征和全局特征，丰富特征表示。
35、4. 未知工况下的故障诊断能力
36、通过上述技术的集成与优化，本发明成功实现了在未知工况下对燃气轮机拉杆转子系统拉杆螺栓松动故障的有效诊断，突破了现有技术在面对未知或极端工况时的局限性，为燃气轮机的安全运行提供了强有力的技术保障。尤其是利用动力学建模生成仿真数据，提高故障数据的物理准确性和类别多样性。根据物理原理建立的拉杆转子系统动力学模型，通过调整模型中工况和拉杆螺栓松动故障的相关参数，可以生成大量多工况不同松动程度的拉杆螺栓仿真故障数据，满足未知工况下拉杆螺栓松动故障跨域诊断的需求。
37、5. 装置与应用的实用性
38、本发明还提出了相应的诊断装置和电子设备实现方案，以及可读存储介质的应用，使得这一创新方法能够便捷地部署于实际工程环境中，大大降低了技术转化的门槛，加速了成果的实际应用进程。
39、综上所述，本发明在燃气轮机拉杆转子系统拉杆螺栓松动故障诊断领域实现了多项技术创新，为解决该领域长期以来存在的难题提供了全新的解决方案，具有重要的理论意义和广阔的应用前景。
40、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
1.拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，s00步骤中，所述仿真数据的收集具体包括：
3.如权利要求1所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，s10步骤中，对原始数据进行预处理，包括归一化和格式调整，将带标签的仿真数据定义为源域样本，用于模型训练；无标签的实验数据作为目标域样本，仅用于模型验证。
4.如权利要求1所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，s20步骤中，利用包含注意融合特征提取模块、聚类模块和分类模块的深度学习网络进行网络训练，其中网络训练包括前向传播和后向传播。
5.如权利要求4所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，所述注意融合特征提取模块由cnn-eca模块和gcn模块组成，其中cnn-eca模块包含卷积神经网络块和高效通道注意力机制，gcn模块则利用图卷积网络提取节点间关系特征。
6.如权利要求5所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，所述聚类模块通过对提取的融合特征求解多相似性损失，以增强网络的泛化能力；
7.如权利要求1-6任意一项所述的拉杆转子系统拉杆螺栓松动故障诊断方法，其特征在于，所述网络训练的优化目标为分类损失和多重相似性损失，通过反向传播算法和优化算法更新网络参数，实现损失最小化。
8.一种燃气轮机拉杆转子系统拉杆螺栓松动故障域泛化诊断装置，其特征在于，包括：
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的拉杆转子系统拉杆螺栓松动故障诊断方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行该过程的程序代码，所述过程包括根据权利要求1至7任一项所述的拉杆转子系统拉杆螺栓松动故障诊断方法。
