基于多局部模型决策融合的工业电机轴承故障诊断方法技术

本发明专利技术公开了一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括：数据采集、数据处理、建立多局部诊断模型、决策级融合四个步骤，其中，数据采集，使用两种不同类型的传感器采集电机轴承相关的数据；数据处理，对收集到的两种数据进行预处理和特征提取；建立多局部诊断模型，对处理过的两种数据分别利用基于Bi‑LSTM神经网络建立局部诊断模型；决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。本发明专利技术设计的工业电机轴承故障诊断方法可以更好地帮助工厂及时、准确地发现由轴承损坏引起的电机故障，一定程度上避免由于停机而对电机运行以及工厂生产效率的影响。

【技术实现步骤摘要】
基于多局部模型决策融合的工业电机轴承故障诊断方法
本专利技术涉及一种基于多局部模型决策融合的工业电机轴承故障诊断方法，属于电机故障检测领域。
技术介绍
在现如今的社会中，工业电机普遍为用电器或各种机械的运行提供动力。其中，电机轴承故障方面是电机易发故障中一个亟待解决的问题。据统计，40-70％的机电传动系统和电机故障是由滚动轴承损坏引起的，这可能会导致由于停机而对电机运行造成极大影响，进而对工厂的生产效率产生影响，并造成一定程度的经济影响，更有甚者，引起大型事故，使得操作人员的人身安全被威胁。因此，需要对电机轴承的各种不稳定或故障状态进行排查，在故障出现之前进行预知并做出维修，避免因电机轴承故障而产生的各种影响。随着现代工业设备的迅猛发展，各类型传感器被用于对轴承的健康状况进行整体监测。但是，大多数轴承故障诊断方法仅专注于单一信息源，例如振动信号或电流信号。在复杂的工业系统中仅基于单个或者单类型传感器捕获完整的状态信息可能不足，因此需要多个类型传感器更大的概率捕获更多的互补信息。与图像数据不同，工业电机轴承故障信号通常是一个复杂且不稳定的时间序列，并且故障特征通常会被背景噪声和干扰信号所淹没。大多数传统的智能方法属于浅层学习模型，难以有效地学习复杂的代表特征和非线性关系。因此，开发一种基于深度学习的新型故障诊断模型来有效地利用多传感器数据来反映更全面的机械信息并实现更准确的诊断具有重要意义。
技术实现思路
为解决现有技术中的不足，本专利技术提供一种基于多局部模型决策融合的工业电机轴承故障诊断方法，不仅利用不同类传感器数据来更精准的反映轴承机械信息，还利用基于Bi-LSTM模型学习特征与故障类型间复杂的非线性关系，从而对工业电机轴承进行准确故障诊断。本专利技术中主要采用的技术方案为：一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括如下步骤：S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；S4决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。优选地，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。优选地，所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。优选地，所述步骤S3中，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出到Attention层，Attention层与全连接层的输出分别作为全连接层与softmax分类层的输入，最后softmax分类层输出局部诊断结果。优选地，所述步骤S3中建立多局部诊断模型，对处理过的振动数据训练集和光电编码器数据分别基于Bi-LSTM神经网络建立局部诊断模型，具体步骤如下：S3-1输入层接收处理过的训练集；S3-2Bi-LSTM层对LSTM前向层输出的特征向量和LSTM反向层输出的特征向量进行逐项求和，得到的和向量作为Bi-LSTM层的输出向量；S3-3Attention层接收Bi-LSTM层的输出特征向量并计算注意力权重系数，之后将注意力权重系数与Attention层接收的特征向量对应相乘以获得最后的特征表达；S3-4全连接层接受Attention层的输出特征表达，将经过Bi-LSTM层、Attention层网络训练取得的特征映射到样本标记空间；S3-5softmax层接受全连接层的数据，并得出分类结果；S3-6采用交叉熵损失函数来计算模型损失值，即局部诊断模型输出的预测值与实际值的误差。优选地，所述多局部诊断模型在训练过程中，通过多次迭代后利用Adam优化算法使得模型损失值逐步减小以实现优化模型，全连接层设置Dropout比例，根据选取不同的学习率分别运行得到的准确率图像以及收敛速度和算法复杂度选择最合适的学习率。优选地，所述步骤S4决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果，具体过程如下：S4-1建立识别框架、2个局部诊断模型输出的局部诊断结果分别构成识别框架下的2个证据体；S4-2确定出各证据体的基本赋值函数，分别计算单证据体作用下识别框架中各故障类型的置信区间；S4-3利用DSmT理论的比例冲突分配规则，对证据体进行融合处理即计算所有证据体联合作用下的基本赋值函数和置信区间；S4-4根据实际情况，基于相应的决策规则，进而得到诊断结果。有益效果：本专利技术提供一种基于多局部模型决策融合的工业电机轴承故障诊断方法，能够反映出电机轴承更全面的机械信息并实现更准确的故障诊断，一定程度上避免由于停机而对电机运行以及工厂生产效率的影响。附图说明图1为本专利技术的方法流程图；图2为Bi-LSTM模型网络结构图；图3为堆叠的Bi-LSTM层结构图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。一种基于多局部模型决策融合的工业电机轴承故障诊断方法，包括如下步骤：S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；S3建立多局部诊断模型：对步本文档来自技高网...

【技术保护点】
1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：/nS1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；/nS2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；/nS3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；/nS4 决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。/n

【技术特征摘要】
1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：
S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；
S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；
S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；
S4决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。


2.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。


3.根据权利要求2所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于：所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：
S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；
S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；
S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；
S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。


4.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S3中，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出...

【专利技术属性】
技术研发人员：刘立，张子贤，孙宁，韩光洁，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32