CN117150357B 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 （西安电子科技大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN117150357B(65)同一申请的已公布的文献号(73)专利权人西安电子科技大学地址710071陕西省西安市太白南路2号(74)专利代理机构陕西电子工业专利中心专利代理师陈宏社王品华WO2019100723A1,2019.05.31审查员来文燕(54)发明名称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本发明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。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。通过融合时域和时频域两个模态的故障信21.一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Xtrain,将预处理后的J条实时信号数据构成测试样本集Xtest,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的故障诊断模型0,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;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；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的参数分别为φ和μ,并令t=0;(4)对故障诊断模型进行训练：将训练样本集Xtrain作为故障诊断模型0的输入进行前向传播，得到I个预测概率P;(5)获取训练好的故障诊断模型：对特征提取网络的参数φ和分类器C的参数μ进行更新，得到本次迭代的故障诊断模型0,并判断t≥T是否成立，若是，得到训练好的故障诊断模型0*,否则，令t=t+1,0=0,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Xtest作为训练好的故障诊断模型0*的输入进行前向传播，得到J个分类结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1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,表示第i条预处理后的原始信号数据段，y,表示x:对应的故障标签，x;表示第j个测试样本。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；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卷积34.根据权利要求1所述的方法，其特征在于，步骤(4)中所述的对故障诊断模型进行训(4a)第m个网络分支中的全局-局部时间编码器对每个训练样本进行特征提取，得到I率为P={P¹,P²,...,P",.(4b)多传感器相关特征融合网络通过初始预测概率P计算第m个传感器的传感器内标5.根据权利要求1所述的方法，其特征在(5b)通过故障诊断模型的损失值L对参数φ的偏导和参数μ的偏导4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[0001]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[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，UsingMultisensorFusionandConvolutionNeuralNetwork》,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[0005]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。[0006]为实现上述目的，本发明采取的技术方案包括如下步骤：[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Xtrain,将预处理后的J条实时信号数据构成测试样本集Xtest,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C₄的故障诊断模型0,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5[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的参数分别为φ和μ,并令t=0;[0013](4)对故障诊断模型进行训练：[0014]将训练样本集Xtrain作为故障诊断模型0的输入进行前向传播，得到I个预测概率[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和分类器C的参数μ进行更新，得到本次迭代的故障诊断模型0,并判断t≥T是否成立，若是，得到训练好的故障诊断模型0*,否则，令t=t+1,0=0,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Xtest作为训练好的故障诊断模型0*的输入进行前向传播，得到J个分[0020](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。[0021](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[0022]图1为本发明的实现流程图；[0023]图2为本发明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，对本发明作进一步详细描述。[0025]参照图1,本发明包括如下步骤：[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Xtrain,将预处理后的J条实时信号数据构成测试样本集Xtest本实施例数据采用含3种损伤程度的内圈故障、外圈故障和滚动体故障共9种故障情况，具体的M=3,C=9,I=6[0029](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[0031](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Xnci={x,y},并将预处理后的J条实时信号数据段作为测试样本集×.={x,},[0033]搭建如图2所示的故障诊断模型0,用于更好的提取和融合不同传感器间的互补信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;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[0038]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的参数分别为φ和μ,并令t=0,本实施例中T=50;7[0046](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实现特征融输出的M×I个初始预测概率P={P¹,P²感器的预测标签和第w个传感器的预测标签的转置相乘得出的传感器间标签相关矩阵，算每个分类模块的损失L和分类器C的损失L,得到故障诊断模型的损失值L:8[0066](5b)通过故障诊断模型的损失值L对参数φ的偏导和参数μ的偏导,对[0074]仿真采用的硬件平台为：CPU为AMD锐龙R95900X,内存为64GB,GPU为NVIDAGeForceRTX3080Ti12GB;操作系统为ubuntu20.04;软件平台为python3.8.11和torch1.10.0。[0076]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