【技术实现步骤摘要】
本专利技术涉及机械故障诊断，特别是指一种基于多传感器融合的齿轮箱故障智能诊断方法。
技术介绍
1、齿轮箱是复杂机械设备的重要组成部分之一，在风力发电，城轨列车，工程机械等领域得到广泛应用。随着齿轮箱等关键机械部件累计运行时长的增加，不可避免得会出现零部件疲劳与失效问题，一旦发生故障便可能会影响系统整体运行状态，引发重大安全事故。因此，有必要对齿轮箱进行健康状态监测与故障诊断。
2、随着人工智能算法在机械故障诊断领域的不断深入应用，数据驱动的智能故障诊断方法成为保障齿轮箱安全平稳运行的重要手段。该类方法通常需要借助传感器采集得到的原始信号数据构建故障诊断模型，进行特征提取与故障种类识别。随着传感器采集技术的进步与普及，传感器采集系统呈现多测点、多类型的发展趋势，而现有的故障诊断方法则缺乏对来自多传感器信息的高效利用手段，关联信号之间的信息冗余与特征交叉问题可能会对故障诊断结果造成干扰。同时，由于实际应用的安全需求，齿轮箱运行数据存在故障数据小且故障种类少的问题，这种不平衡的小样本集难以对故障诊断模型进行有效训练，致使故障特征的提取较为困难。因此，如何提高对多传感器信息的利用效率，利用有限的故障数据尽可能提升故障诊断模型准确率是是一项值得研究的课题。
技术实现思路
1、本专利技术实施例提供了一种基于多传感器融合的齿轮箱故障智能诊断方法，能够实现齿轮箱故障的快速精确智能诊断。所述技术方案如下：
2、一方面，提供了一种基于多传感器融合的齿轮箱故障智能诊断方法，该方法
3、s101，对多传感器数据采集系统采集的多测点、多类型的原始时序信号进行基于相关函数的数据级加权融合，得到多通道一维融合信号；其中，对多传感器数据采集系统采集的原始时序信号为齿轮箱运行数据；
4、s102，采用时间窗重叠切片方法，将得到的多通道一维融合信号分为固定长度的数据片段，使用连续小波变换将多通道一维融合信号片段的各个通道转换为二维时频图数据；
5、s103，构建基于多头时空注意力与并行gru网络的齿轮箱故障智能诊断模型，利用转换得到的二维时频图对齿轮箱故障智能诊断模型进行训练，利用训练好的齿轮箱故障智能诊断模型，确定齿轮箱故障分类结果。
6、进一步地，所述对多传感器数据采集系统采集的多测点、多类型的原始时序信号进行基于相关函数的数据级加权融合，得到多通道一维融合信号包括：
7、步骤a1，将多传感器数据采集系统采集的多测点、多类型的原始时序信号按照信号种类进行分组；其中，相同数据类型的信号分为一组，得到每组待融合信号{c1(n),c2(n),…,cm(n)}，其中ci(n)表示组内第i待融合信号的第n个数据点；
8、步骤a2，对组内所有待融合信号进行两两互相关运算得到组内信号间的互相关能量，针对组内任一待融合信号，根据其与组内其它信号之间的互相关能量之和得到该待融合信号的总相关能量；
9、步骤a3，按照总相关能量与信号融合权值成正比的原则确定组内各待融合信号的融合权值，根据确定的融合权值对组内各待融合信号进行数据级加权融合，得到该组待融合信号的一维融合信号；
10、步骤a4，按照步骤a2-步骤a3，对各组待融合信号进行数据级加权融合，得到多通道一维融合信号。
11、进一步地，所述采用时间窗重叠切片方法，将得到的多通道一维融合信号分为固定长度的数据片段，使用连续小波变换将多通道一维融合信号片段的各个通道转换为二维时频图数据包括：
12、步骤b1，对数据级加权融合得到的多通道一维融合信号进行归一化与时间步对齐，使用固定长度的滑动时间窗口进行重叠切片采样，将多通道一维融合信号分为固定长度的数据片段；
13、步骤b2，对一维融合信号片段的各个通道分别进行连续小波变换得到对应的多通道二维时频图。
14、进一步地，第i通道的二维时频图表示为：
15、
16、其中，xi为第i通道的时频图数据，si(t)为数据级加权融合得到的第i通道的一维融合信号，cwt()表示连续小波变换，t表示时间，α为尺度因子，τ为时间移动因子，ψα，τ和ψ()都表示小波基函数，i表示通道编号。
17、进一步地，所述构建基于多头时空注意力与并行gru网络的齿轮箱故障智能诊断模型包括：
18、步骤c1，构建多头时空注意力层，用于对信号及频率分布范围的频域特征进行空间注意力建模，将二维时频图数据转换为经过注意力区分的多个特征集合；
19、步骤c2，构建基于层次注意力的并行gru网络；其中，所述并行gru网络包含多个相互独立的gru子模块和宏观注意力层；
20、其中，多个相互独立的gru子模块用来分别以并行的方式提取对应输入序列，即经过注意力区分的多个特征集合的时间依赖关系；每个gru子模块包括：1d-cnn、多个gru单元和时间注意力层；1d-cnn被用于实现在频率分布方向上的空间特征提取与降采样，其提取到的特征作为单个gru单元的实际输入；
21、对于每个并行gru子模块，其各个时间步的隐藏层状态被进行基于时间注意力的加权求和；其中，使用单个全连接层来计算各个时间步隐藏层状态h(t)的注意力分数α(t)：
22、α(t)＝softmax(σ(wt*h(t)+bt))
23、其中，wt与bt分别为时间注意力层的权重与偏置项，σ为sigmoid激活函数，softmax函数被用来将注意力分数映射到(0，1)区间；根据注意力分数对各时间步隐藏状态进行加权求和得到该gru子模块的混合隐藏状态hp，即故障特征：
24、
25、其中，t表示最大时间步数，hp则表示由第p个gru子模块所提取到的故障特征；
26、利用宏观注意力层对各个gru子模块的输出特征进行加权拼接：
27、γp＝softmax(σ(wp*hp+bp))
28、h＝concat(γ1h1，γ2h2，...，γphp)
29、其中，wp与bp表示宏观注意力层的权重与偏置项，hp与γp分别表示第p个gru子模块所提取故障特征及其注意力分数，h为通过加权拼接得到的最终故障特征；
30、步骤c3，构建故障分类器，将故障特征h输入故障分类器，得到齿轮箱故障分类结果。
31、进一步地，所述多头时空注意力层包括：频率分布特征划分模块、多通道连接模块和空间注意力加权模块；其中，所述空间注意力加权模块包括：多个点积注意力子模块；所述多头注意力层的执行步骤包括：
32、将二维时频图数据按照时间步被划分为t组由对应时刻多通道信号频率分布组成的信号特征其中，ns表示融合信号个数，即通道个数，nt表示时间步数，na表示经过连续小波变换后的尺度范围；
33、针对同一时间步的来自各通道信号的频率分布组成的信号特征通过频率分布特征划分模块被均匀切分为相同长度的本文档来自技高网...
【技术保护点】
1.一种基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述对多传感器数据采集系统采集的多测点、多类型的原始时序信号进行基于相关函数的数据级加权融合，得到多通道一维融合信号包括：
3.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述采用时间窗重叠切片方法，将得到的多通道一维融合信号分为固定长度的数据片段，使用连续小波变换将多通道一维融合信号片段的各个通道转换为二维时频图数据包括：
4.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，第i通道的二维时频图表示为：
5.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述构建基于多头时空注意力与并行GRU网络的齿轮箱故障智能诊断模型包括：
6.根据权利要求5所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述多头时空注意力层包括：频率分布特征划分模块、多通道连接模块和空间注意力加权模块；其中，
7.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述利用转换得到的二维时频图对齿轮箱故障智能诊断模型进行训练包括：
...【技术特征摘要】
1.一种基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述对多传感器数据采集系统采集的多测点、多类型的原始时序信号进行基于相关函数的数据级加权融合，得到多通道一维融合信号包括：
3.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于，所述采用时间窗重叠切片方法，将得到的多通道一维融合信号分为固定长度的数据片段，使用连续小波变换将多通道一维融合信号片段的各个通道转换为二维时频图数据包括：
4.根据权利要求1所述的基于多传感器融合的齿轮箱故障智能诊断方法，其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。