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

本发明专利技术提出了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，实现步骤为：获取训练样本集和测试样本集；搭建基于多传感器相关特征融合网络的故障诊断模型；初始化参数；对故障诊断模型进行训练；获取训练好的故障诊断模型；获取故障诊断目标分类结果

【技术实现步骤摘要】
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


[0001]本专利技术属于机械设备故障诊断
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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
《IEEE Transactions on Industrial Informatics》
上发表的文章
《Intelligent Mechanical Fault 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
。

技术实现思路

[0005]本专利技术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
。
[0006]为实现上述目的，本专利技术采取的技术方案包括如下步骤：
[0007](1)
获取训练样本集和测试样本集：
[0008]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
train
，将预处理后的
J
条实时信号数据构成测试样本集
X
test
，其中
M≥2
，
C≥2
；
[0009](2)
搭建基于多传感器相关特征融合网络的故障诊断模型：
[0010]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
f
的故障诊断模型
O
，其中，多传感器特征提取网络包括
M
个并行排布的网络分支，第
m
个
网络分支包括并行排布的全局
‑
局部时间编码器和时频编码器，及与该两个编码器的输出端依次级联的融合模块和分类模块
C
m
；多传感器相关特征融合网络，用于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；
[0011](3)
初始化参数：
[0012]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
f
的参数分别为
φ
t
和
μ
t
，并令
t
＝0；
[0013](4)
对故障诊断模型进行训练：
[0014]将训练样本集
X
train
作为故障诊断模型
O
的输入进行前向传播，得到
I
个预测概率
P
f
；
[0015](5)
获取训练好的故障诊断模型：
[0016]对特征提取网络的参数
φ
t
和分类器
C
f
的参数
μ
t
进行更新，得到本次迭代的故障诊断模型
O
t
，并判断
t≥T
是否成立，若是，得到训练好的故障诊断模型
O
*
，否则，令
t
＝
t+1
，
O
t
＝
O
，并执行步骤
(4)
；
[0017](6)
获取故障诊断目标分类结果：
[0018]将测试样本集
X
test
作为训练好的故障诊断模型
O
*
的输入进行前向传播，得到
J
个分类结果
。
[0019]本专利技术与现有技术相比，具有以下优点：
[0020](1)
本专利技术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
。
[0021](2)
本专利技术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
[0022]图1为本专利技术的实现流程图；
[0023]图2为本专利技术故障诊断模型的结构示意图；
具体实施方式
[0024]下面结合附图和具体实施例，对本专利技术作进一步详细描述
。
[0025]参照图1，本专利技术包括如下步骤：
[0026]步骤
1)
获取训练样本集和测试样本集
。
[0027]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.
一种基于多传感器相关特征融合的旋转机械设备故障诊断方法，其特征在于，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
train
，将预处理后的
J
条实时信号数据构成测试样本集
X
test
，其中
M≥2
，
C≥2
；
(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
f
的故障诊断模型
O
，其中，多传感器特征提取网络包括
M
个并行排布的网络分支，第
m
个网络分支包括并行排布的全局
‑
局部时间编码器和时频编码器，及与该两个编码器的输出端依次级联的融合模块和分类模块
C
m
；多传感器相关特征融合网络，用于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；
(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
f
的参数分别为
φ
t
和
μ
t
，并令
t
＝0；
(4)
对故障诊断模型进行训练：将训练样本集
X
train
作为故障诊断模型
O
的输入进行前向传播，得到
I
个预测概率
P
f
；
(5)
获取训练好的故障诊断模型：对特征提取网络的参数
φ
t
和分类器
C
f
的参数
μ
t
进行更新，得到本次迭代的故障诊断模型
O
t
，并判断
t≥T
是否成立，若是，得到训练好的故障诊断模型
O
*
，否则，令
t
＝
t+1
，
O
t
＝
O
，并执行步骤
(4)
；
(6)
获取故障诊断目标分类结果：将测试样本集
X
test
作为训练好的故障诊断模型
O
*
的输入进行前向传播，得到
J
个分类结果
。2.
根据权利要求1所述的方法，其特征在于，步骤
(1)
中所述的对每条原始信号数据和每条实时信号数据进行预处理，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；
(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并将预处理后的
J
条实时信号数据段作为测试样本集其中，
x
i
表示第
i
条预处理后的原始信号数据段，
y
i
表示
x
i
对应的故障标签，
x
j
表示第
j
个测试样本
。3.
根据权利要求1所述的方法，其特征在于，步骤
(2)
中所述的故障诊断模型，其中：全局
‑
局部时间编码器，...

【专利技术属性】
技术研发人员：冯志玺，胡浩，马悦，彭同庆，杨淑媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：