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）

WO2019100723A1,2019.05.31基于多传感器相关特征融合的旋转机械设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，实现步骤本发明在对故障诊断模型进行训练以及获取诊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2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Cft2.根据权利要求1所述的方法，其特征在于，步骤((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(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34.根据权利要求1所述的方法，其特征在于，步骤(4)中所(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(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u个传感器和第w个传感器的传感器间标签相关矩阵R"0"=P".P"T得m的转置矩阵，Pu和Pw分别表示第u个传感器和第w5.根据权利要求1所述的方法，其特征在于4[0001]本发明属于机械设备故障诊断技术领域，涉及一种旋转具体涉及一种基于多传感器相关特征融合的旋转机[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5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[0014]将训练样本集Xtrain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t=[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[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一局部[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xam=x,,并将预处理后的J条实时信号数据段作为测试样本集x-t[0032]步骤2)搭建基于多传感器相关特征融合网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器和局部编码器输出端级联的特征融合模块。其中全局编码器包括级联的S层LSTM结构和[0040]将训练样本集Xtrain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[0047](4b)多传感器相关特征融合网络对M×I个初始预测概率P构建传感器内标签相关矩阵rintra与传感器间标签相关矩阵rinter，并通过一个卷积层对该两种矩阵融合得到融合[0049]R""=P".P"T[0053]R""=P".P"T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，[0056](4b2)通过一个层叠的卷积层[0057](4c)对多传感器相关特征融合网络输出的融合标签矩阵r进行展平处理，分类器8[0066](5b)通过故障诊断模型的损失值L对参数φt的偏导和参数μt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