基于多传感器信息融合与迁移学习的促动器故障诊断方法技术

本发明专利技术提供了一种基于多传感器信息融合与迁移学习的促动器故障诊断方法，通过获取待诊断的促动器在工作状态下的振动加速度信号；将振动加速度信号通过预先训练好的故障诊断模型进行信号特征提取、信号特征融合以及故障类型预测，得到预先训练好的故障诊断模型输出的故障类型的概率分布；选择概率最高的故障类型确定为待诊断的促动器的故障类型。由于本发明专利技术的故障诊断模型采用多传感器信息融合和迁移学习技术，能够充分利用促动器传动系统的多维度信息，从而提高故障诊断的准确性和可靠性。此外，基于迁移学习方法能够有效地利用已有数据集的知识，提高促动器传动系统故障诊断模型的泛化能力，从而适用于更加复杂的工况和环境。环境。环境。

【技术实现步骤摘要】
基于多传感器信息融合与迁移学习的促动器故障诊断方法


[0001]本专利技术属于传统系统的智能故障诊断
，具体涉及一种基于多传感器信息融合与迁移学习的促动器故障诊断方法。

技术介绍

[0002]随着我国的工业自动化程度的不断提高，传动系统作为机械系统中重要的组成部分，其可靠性和稳定性对生产效率和设备运行成本等方面有着重要影响。然而，由于传动系统存在多种故障类型，如齿轮损伤、轴承故障、齿面疲劳等，其故障诊断是机械维护中的一项关键技术。
[0003]随着传感器技术的不断发展，传动系统故障诊断中的传感器数据采集、诊断方法越来越丰富，传统的故障诊断方法中，通常使用信号处理方法进行故障诊断，通过提取信号的故障特征，如小波变换、傅里叶变换、EMD分解等。Bin等人提出了一种基于小波包分解(WPD)和经验模式分解(EMD)提取故障特征频率的方法，采用WPD方法进行去噪，然后采用EMD方法获得固有模函数，提出将IMF的能量矩作为特征向量，以有效地表达故障特征。但是这种方法主要依赖于专家经验，具有更多的人为主观性，对故障识别效果并不是很好，准确性和鲁棒性无法得到保证；之后结合机器学习的浅层网络进行诊断，处理后的信号特征通过浅层网络进行识别诊断。
[0004]Rohit等人研究基于先进的信号处理方法和人工智能技术(如人工神经网络(ANN)和K近邻(KNN))进行轴承故障分类。采用基于小波变换的自适应算法，从时域信号中提取轴承故障分类特征，然后作为ANN模型的输入，相同的特征也已用于KNN。虽然这种方式有一定提升，但是单一信号处理方式并不能有效的提取特征。随着深度学习的发展，故障诊断领域也有了进一步提高。Chen等人针对深度学习轴承故障诊断问题，利用卷积神经网络(convolutional neural networks，CNN)和极限学习机完成了齿轮和轴承的故障分类问题。深度学习网络具有快速、强大的自适应特征提取能力，通过端对端的方式对采集信号进行特征提取和故障分类。有效的克服的传统的诊断方法的不足，也有效的提高了诊断效率。
[0005]深度迁移学习是将深度学习网络和迁移学习的知识相融合。其中模型和参数迁移能够在源领域上训练好一个深度神经网络模型，然后通过调整模型的部分参数，将其迁移到目标领域上，以适应新的任务。zhao等人提出基于VGG16卷积神经网络与迁移学习的故障诊断方法，通过将微调后的VGG16模型应用于故障诊断；域自适应迁移学习是在深度神经网络模型在源域上训练好的情况下，通过调整模型的部分参数，使其能够适应于目标域的任务。Lei等人提出了一种深度卷积迁移学习网络(DCTLN)故障诊断方法。通过条件识别自动学习特征并识别机器的健康状况和域自适应最小化概率分布距离来帮助一维CNN学习域不变特征。领域自适应迁移学习更加强调源域和目标域之间的领域差异。不仅可以减少模型的训练时间，大大减少带标签的数据，还可以具有高效的诊断结果。一些学者在故障诊断中引入迁移学习。
[0006]上述方法仅针对单个传感器的故障信息导致模型泛化性能弱，从而对传动系统中
促动器的故障诊断的精确度不高。

技术实现思路

[0007]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于多传感器信息融合与迁移学习的促动器故障诊断方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0008]本专利技术提供了一种基于多传感器信息融合与迁移学习的促动器故障诊断方法包括：
[0009]S100，获取待诊断的促动器在工作状态下的振动加速度信号；
[0010]S200，将S100的振动加速度信号通过预先训练好的故障诊断模型进行信号特征提取、信号特征融合以及故障类型预测，得到预先训练好的故障诊断模型输出的故障类型的概率分布；
[0011]S300，在S200得到的故障类型的概率分布中选择概率最高的故障类型确定为待诊断的促动器的故障类型。
[0012]本专利技术提供了一种基于多传感器信息融合与迁移学习的促动器故障诊断装置包括：
[0013]获取装置，用于获取待诊断的促动器在工作状态下的振动加速度信号；
[0014]预测装置，用于将获取装置的振动加速度信号通过预先训练好的故障诊断模型进行信号特征提取、信号特征融合以及故障类型预测，得到预先训练好的故障诊断模型输出的故障类型的概率分布；
[0015]诊断装置，用于将故障类型的概率分布中选择概率最高的故障类型确定为待诊断的促动器的故障类型。
[0016]1、本专利技术具有互补性、准确性以及鲁棒性：本专利技术采用多传感器数据融合可以充分利用不同传感器的信息使得故障诊断上信息之间互补。之后对来自多个传感器的数据进行多级别、多方面、多层次的处理，从而产生具有意义的新信息，而这种信息是任何单一传感器所无法获得的，并且它还能有效地消除由于单一类型传感器失效而引起的误差。本专利技术多传感器信息融合可以提高故障诊断系统的鲁棒性，即使在某些传感器失效或者数据出现异常的情况下，系统仍能够保持高准确性；迁移学习可以从其他相关领域的数据中学习知识，使得诊断模型更加准确；
[0017]2、本专利技术可以减小标注数据需求：本专利技术迁移学习可以利用源领域的数据和标注信息，降低目标领域需要的标注数据量，从而降低数据采集和标注成本，并且仍能提供有用的信息和经验，提高模型的鲁棒性。
[0018]3、本专利技术具有很好的实时性以及诊断效率：本专利技术可以自主提取有用信息，且无需先验的依赖，节省劳动成本、更节省了诊断的时间；采用的迁移网络参数少，诊断速度快。本专利技术只需输入信号网络就能输出诊断结果，无需再像传统的诊断方法一样，人工手动在庞大的数据中提取有用息，因此能够满足相关领域的实时性要求，诊断速度快。
[0019]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0020]图1是本专利技术提供的基于多传感器信息融合的促动器故障迁移学习方法的流程
图；
[0021]图2是本专利技术基于多传感器信息融合的促动器故障迁移学习方法的实现过程示意图；
[0022]图3是并行卷积网络(PCNN)的示意图；
[0023]图4是迁移学习方法的示意图；
[0024]图5是VGG16模型微调过程的流程图；
[0025]图6是网络训练过程流程图；
[0026]图7是小波变换CWT的结果示意图；
[0027]图8是基于多传感器信息融合和迁移学习(Fmmd
‑
VGG16)方法示意图；
[0028]图9是促动器实验平台结构图；
[0029]图10是多个单传感器方法和本文提出的方法诊断结果多组柱状图；
[0030]图11是各传感器诊断诊断结果混淆矩阵图；
[0031]图12是没有进行迁移学习方法和本文提出方法诊断结果多组柱状图；
[0032]图13是迁移学习和非迁移学习多传感器数据融合方法的诊断结果混淆矩阵图。
具体实施方式
[0033]下面结合具体实施例对本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，包括：S100，获取待诊断的促动器在工作状态下的振动加速度信号；S200，将S100的振动加速度信号通过预先训练好的故障诊断模型进行信号特征提取、信号特征融合以及故障类型预测，得到预先训练好的故障诊断模型输出的故障类型的概率分布；S300，在S200得到的故障类型的概率分布中选择概率最高的故障类型确定为待诊断的促动器的故障类型。2.根据权利要求1所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，所述故障诊断模型包括预先训练的多传感器信息融合模型和预先训练的迁移学习卷积网络模型，通过预先训练的多传感器信息融合模型提取信号特征，并对信号特征通过级联方式进行融合得到融合的多传感器信息；再通过预先训练的迁移学习卷积网络模型输出促动器的故障类型概率分布。3.根据权利要求2所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，在S100之前，所述基于多传感器信息融合与迁移学习的促动器故障诊断方法还包括：S110，通过多个传感器采集促动器传动部件轴承的不同工作状态下的不同位置或不同方向的振动加速度信号；S120，将S110采集到的振动加速度信号进行预处理，并按照不同的工作状态划分为属于源域的训练样本和属于目标域的测试样本；其中，训练样本与测试样本的工作状态不同；S130，利用所述训练样本和所述测试样本对预设的多传感器信息融合模型和预设的迁移学习卷积网络模型进行训练，得到预先训练的多传感器信息融合模型和预先练好的迁移学习卷积网络模型。4.根据权利要求3所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，S130包括：S131，利用所述训练样本对预设的多传感器信息融合模型和预设的迁移学习卷积网络模型进行训练得到预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型；S132，将测试样本对预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型内的权值参数进行更新，得到训练好的多传感器信息融合模型和训练好的迁移学习卷积网络模型。5.根据权利要求4所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，S131包括：S1311，使用小波变换CWT将训练样本转换成第一时频图；S1312，将所述第一时频图输入至预设的多传感器信息融合模型中，以通过多传感器信息融合模型提取第一信号特征，并将提取的第一信号特征进行级联得到多传感器的信息的第一融合结果；S1313，将第一融合结果输入至预设的迁移学习卷积网络模型，以通过迁移学习卷积网络模型输出训练样本的预测故障类型；S1314，将训练样本的预测故障类型与真实故障类型进行比较，并调整多传感器信息融
合模型和迁移学习卷积网络模型的权值参数；S1315，重复S1311至S1314直至达到迭代次数，得到预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型。6.根据权利要求4所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法，其特征在于，S132包括：S1321，使用小波变换CWT将测试样本转换成第二时频图；S1322，将所述第二时频图输入至预训...

【专利技术属性】
技术研发人员：薛松，潘成辉，王从思，陈李辉，连培园，许谦，孔德庆，赵武林，彭海波，王晓洁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：