基于多传感器相关特征融合的旋转机械设备故障诊断方法

技术领域

本发明属于机械设备故障诊断技术领域，涉及一种旋转机械设备故障诊断方法，具体涉及一种基于多传感器相关特征融合的旋转机械设备故障诊断方法。

背景技术

在现代化生产中，各种大型机械设备的复杂性越来越高，对受潜在过程异常影响的轴承、齿轮、转子等的旋转机械设备的故障诊断的要求也越来越高。早期的故障检测不仅可以在故障发生前消除故障，避免导致相当大的经济损失，而且还可以防止重大安全事故的发生。

工业大数据时代的到来为机械设备健康监测带来了新机遇，越来越多基于机器学习的方法应用于旋转机械故障诊断领域，通常采用信号分析法，其技术思路为对传感器信号的时域或频域进行分析，提取数据中隐含的故障信息，然后进行故障分类。但这方面的研究主要集中于解决单传感器数据的故障诊断问题，在处理多传感器高维度数据方面仍然具有一定的局限性。

通常情况下，旋转机械设备的运行状况是通过多类型、多数量的传感器进行监测，可以提供比单传感器更全面的信息。针对上述问题，谢等人2021年在期刊《IEEETransactions on Industrial Informatics》上发表的文章《Intelligent MechanicalFault Diagnosis Using Multisensor Fusion and Convolution Neural Network》，提出了一种多传感器故障诊断网络，然而该方法由于直接对多传感器时域数据进行简单的降维和拼接融合，忽略了不同传感器间的互补信息。因此，如何有效的对多传感器获取的故障信息进行提取和融合，提高故障诊断准确率，对旋转机械设备健康状态进行综合评估具有重要意义。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供一种基于多传感器相关特征融合的旋转机械设备故障诊断方法，用于解决现有技术中存在的故障诊断准确率较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集和测试样本集：

获取通过M个传感器采集的包含C个故障类别的多条原始信号数据及其对应的故障标签，以及待诊断旋转机械设备的多条实时信号数据，并对每条原始信号数据和每条实时信号数据进行预处理，然后将预处理后的I条原始信号数据及其对应的故障标签组成训练样本集X

(2)搭建基于多传感器相关特征融合网络的故障诊断模型：

搭建包括顺次级联的多传感器特征提取网络、多传感器相关特征融合网络和分类器C

(3)初始化参数：

初始化训练迭代次数为t，最大迭代次数为T，第t次迭代多传感器特征提取网络、分类器C

(4)对故障诊断模型进行训练：

将训练样本集X

(5)获取训练好的故障诊断模型：

对特征提取网络的参数φ

(6)获取故障诊断目标分类结果：

将测试样本集X

本发明与现有技术相比，具有以下优点：

(1)本发明在对故障诊断模型进行训练以及获取诊断结果的过程中，由于多传感器相关特征融合网络可以对通过多传感器特征提取网络的输出结果所构建的传感器内标签相关矩阵与传感器间标签相关矩阵进行融合，实现了不同传感器间故障信息的互补，有效的提高了故障诊断的准确率。

(2)本发明多传感器特征提取网络中的每个网络分支通过并行排布的全局-局部时间编码器和时频编码器，能够获取时域和时频域两个模态的故障信息，避免了现有技术没有考虑时频域模态故障信息的缺陷，进一步提高了故障诊断的准确率。

附图说明

图1为本发明的实现流程图；

图2为本发明故障诊断模型的结构示意图；

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述。

参照图1，本发明包括如下步骤：

步骤1)获取训练样本集和测试样本集。

获取通过M个传感器采集的包含C个故障类别的多条原始信号数据及其对应的故障标签，以及待诊断旋转机械设备的多条实时信号数据，并对每条原始信号数据和每条实时信号数据进行预处理。然后将预处理后的I条原始信号数据及其对应的故障标签组成训练样本集X

对每条原始信号数据和每条实时信号数据进行预处理的实现步骤为：

(1a)通过滑动窗口采样的方式将每条原始信号数据和每条实时信号数据分割为长度为l的数据段，并对每个进行标准化处理，得到预处理后的I条原始信号数据段和J条实时信号数据段，本实施例l＝2048，标准化方式采用最大最小归一化，计算如下：

(1b)将预处理后的I条原始信号数据段及多条原始信号数据对应的故障标签组成训练样本集

步骤2)搭建基于多传感器相关特征融合网络的故障诊断模型。

搭建如图2所示的故障诊断模型O，用于更好的提取和融合不同传感器间的互补信息，进一步提高故障诊断准确率。包括顺次级联的多传感器特征提取网络、多传感器相关特征融合网络和分类器C

全局-局部时间编码器，包括并行排布的全局编码器和局部编码器，以及全局编码器和局部编码器输出端级联的特征融合模块。其中全局编码器包括级联的S层LSTM结构和一个全连接层，局部编码器包括级联的T个卷积结构和一个全连接层，其中卷积结构包括层叠的一维卷积层、非线性激活层和最大池化层，本实施例中，S＝4，T＝2，局部编码器的第一、二层卷据的卷积核尺寸分别为128×1、5×1，非线性激活层采用ReLU激活函数；

时频编码器，包括级联的K个卷积结构和一个全连接层，其中卷积结构包括层叠的二维卷积层、非线性激活层和最大池化层，本实施例中，K＝2，时频编码器的两层卷据的卷积核尺寸均为3×3，非线性激活层采用ReLU激活函数；

本实施例中全局编码器、局部编码器和时频编码器的全连接层输出特征维度均为256；

步骤3)初始化参数。

初始化训练迭代次数为t，最大迭代次数为T，第t次迭代多传感器特征提取网络、分类器C

步骤4)对故障诊断模型进行训练。

将训练样本集X

(4a)多传感器特征提取网络分别对每个训练样本进行特征提取、特征融合，得到M×I个初始预测概率P＝{P

(4a1)全局-局部时间编码器对每个训练样本进行特征提取，得到I个时域特征。具体包括全局编码器提取的全局时域特征和局部编码器提取的局部时域特征，然后通过特征融合模块对每个全局时域特征与其对应的局部时域特征进行concat操作实现特征融合，得到时域特征；

(4a2)时频编码器对经过小波变换后的每个训练样本进行特征提取，得到I个时频域特征，其中，小波变换的计算方式如下：

在本实施例中，小波变换

(4a3)融合模块对每个时域特征与其对应的时频域特征进行concat实现特征融合；分类模块对特征融合的结果进行分类，得到I个初始预测概率P

(4b)多传感器相关特征融合网络对M×I个初始预测概率P构建传感器内标签相关矩阵r

(4b1)对M个初始预测概率构建分别构建传感器内与传感器间的标签相关矩阵，其中传感器内标签相关矩阵由下式可得：

r

其中，P

同样的，每对传感器间标签相关矩阵可以表示为下式：

r

其中，P

(4b2)通过一个层叠的卷积层和非线性激活层对传感器内标签相关矩阵r

(4c)对多传感器相关特征融合网络输出的融合标签矩阵r进行展平处理，分类器C

P

其中，Flatten表示展平处理。

步骤5)获取训练好的模型。

(5a)采用交叉熵损失函数，通过初始预测概率P、预测概率P

其中λ为权重系数。

(5b)通过故障诊断模型的损失值L对参数φ

其中φ

步骤6)获取故障诊断目标分类结果：

将测试样本集X

下面结合仿真结果，对本发明的技术效果作进一步说明：

1.实验条件和内容：

仿真采用的硬件平台为：CPU为AMD锐龙R9 5900X，内存为64GB，GPU为NVIDAGeForce RTX 3080Ti 12GB；操作系统为ubuntu 20.04；软件平台为python 3.8.11和torch1.10.0。

2.实验结果分析：

通过仿真实验对现有技术和本发明得到的10次实验平均准确率分别为80.33％和98.71％。现有技术分类准确率为80.33％，分类性能相对较低，这是因为现有技术直接对多传感器时域数据进行简单的降维和拼接融合，忽略了不同传感器间的互补信息。该方法首先对多传感器数据进行降维，然后将降维后得到的传感器数据转换成RGB图像，通过卷积神经网络中训练故障诊断模型得到分类结果。相比于对比方法，本发明的分类准确率提高了18.38％。由此可见，本发明可以更好的提取和融合不同传感器间的互补信息，进一步提高故障诊断准确率。

上述现有方法，是发表在期刊《IEEE Transactions on IndustrialInformatics》上的文章《Intelligent Mechanical Fault Diagnosis Using MultisensorFusion and Convolution Neural Network》提出的方法；

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围内。