CN117540202B - 基于多信息融合深度集成网络的故障诊断方法和系统 - Google Patents
基于多信息融合深度集成网络的故障诊断方法和系统 Download PDFInfo
- Publication number
- CN117540202B CN117540202B CN202311178807.XA CN202311178807A CN117540202B CN 117540202 B CN117540202 B CN 117540202B CN 202311178807 A CN202311178807 A CN 202311178807A CN 117540202 B CN117540202 B CN 117540202B
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- information
- representing
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 100
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000010354 integration Effects 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000002131 composite material Substances 0.000 claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
根据本发明公开了一种基于多信息融合深度集成网络的故障诊断方法和系统，故障诊断方法包括如下步骤：利用多个传感器采集被测零件不同健康状态下的振动信号；将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；将训练集输入到所述多信息融合深度集成网络模型中训练；将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
Description
技术领域
本发明涉及机械故障诊断领域，尤其涉及一种基于多信息融合深度集成网络的故障诊断方法和系统。
背景技术
随着旋转机械在工业生产中广泛应用，对旋转机械的可靠性要求也不断提高。旋转机械中的传动部件长期处于重载高速旋转的工作中，很容易产生故障，如果故障部件不被及时检测和更换，很可能导致生产延误，造成不必要的经济损失，甚至对工作环境和生产人员的安全构成严重威胁。因此，探索一种能够准确判断故障状态的智能诊断方法对保障工业生产高效安全的进行具有重要的参考价值。
目前，基于深度学习的数据驱动的故障诊断方法应用广泛，但是，这些方法大都是针对单一传感器采集到的振动信号进行诊断的，存在一些不足之处，一、需要预先了解每个传感器振动信号的质量才能避免挑选到特征不明显的传感器信号而影响最终的诊断准确率；二、单一传感器信号提供的故障信息是有限的和不全面的，无法满足强噪声背景下故障诊断的需求。因此，本发明公布一种基于多信息融合深度集成网络的机械故障诊断方法，充分融合多个传感器振动信号的有用的、互补的特征信息，提高故障状态判别的准确率，同时，在多个模块的协同作用下，实现强噪声环境下的故障诊断。
发明内容
本方案针对上文提出的问题和需求，提出一种基于多信息融合深度集成网络的故障诊断方法和系统，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。
本发明的一个目的在于提出一种基于多信息融合深度集成网络的故障诊断方法，包括如下步骤：
S10：利用多个传感器采集被测零件不同健康状态下的振动信号；
S20：将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
S30：构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；
S40：将训练集输入到所述多信息融合深度集成网络模型中训练；
S50：将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
另外，根据本发明的基于多信息融合深度集成网络的故障诊断方法，还可以具有如下技术特征：
在本发明的一个示例中，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度包括如下步骤：
首先第一层采用三个不同尺度的第一卷积层对输入特征进行并行卷积操作，接着第二层采用三个不同尺度的第二卷积进行卷积操作，其中，由第一个第二卷积层对第一层的第一个第一卷积层进行卷积操作，由第二个第二卷积层对第二个第一卷积层与第一个第二卷积层求和之后进行卷积操作，由第三个第二卷积层对第三个第一卷积层与第二个第二卷积层求和之后进行卷积操作，最后将三个不同尺度的第二卷积层进行特征融合，并采用卷积层调整特征通道数获得融合特征，同时采用注意力机制重新调整输入特征每个通道的权值，最后将通道权值与融合特征相乘得到跨尺度注意特征提取模块的输出。
在本发明的一个示例中，第二层采用三个不同尺度的第二卷积层进行卷积操作，其中，由第一个第二卷积层对第一层的第一个第一卷积层进行卷积操作，由第二个第二卷积层对第二个第一卷积层与第一个第二卷积层求和之后进行卷积操作，由第三个第二卷积层对第三个第一卷积层与第二个第二卷积层求和之后进行卷积操的表达式为：
式中，分别表示第二层第1，2，3个尺度的卷积操作， 分别表示第二层第1，2，3个尺度的卷积操作的输出。
在本发明的一个示例中，所述基于复合指标的加权融合策略模块的表达式为：
式中，Ei，Ki和Hi分别表示第i个传感器信号的相关能量，峭度指数和信息熵，EKHi表示第i个传感器信号的复合指标，Wi表示第i个传感器信号所分配的权重值，m表示传感器总个数，xi表示第i个传感器信号，xall表示经过基于复合指标的加权融合策略融合后的振动信号，表示经过快速傅里叶变换后的频域信号，FFT()表示傅里叶变换函数。
在本发明的一个示例中，所述多信息融合深度集成网络模型包括依次串接的三个所述跨尺度注意特征提取模块和特征拼接层；
其中，在第一个跨尺度注意特征提取模块与基于复合指标的加权融合策略模块之间串接有第一卷积池化模块，在第二个跨尺度注意特征提取模块与第一个跨尺度注意特征提取模块之间串接有第二卷积池化模块，在第三个跨尺度注意特征提取模块与第二个跨尺度注意特征提取模块之间串接有卷积层；
其中，在三个跨尺度注意特征提取模块与特征拼接层之间分别串接有全局平均池化层。
在本发明的一个示例中，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息包括如下步骤：
构造加权邻接矩阵；
利用不同尺度的图卷积对图构数据进行空间结构特征提取。
在本发明的一个示例中，构造加权邻接矩阵的表达式为：
式中，Y表示输入特征，YT表示输入特征的转置，M表示自相关矩阵，normlize()表示归一化操作，Top-k()函数用于获取矩阵每一行前k个最大值和对应值的索引，s表示每条边的其起始和结束索引，v表示每条边相关联的权重，sparse()表示稀疏邻接矩阵构造函数，A表示稀疏的加权邻接矩阵。
在本发明的一个示例中，利用不同尺度的图卷积对图构数据进行空间结构特征提取的表达式为：
式中，ChebConvt表示尺度为t的切比雪夫图卷积操作，Wt表示尺度为t的切比雪夫图卷积操作对应的权重，Ht表示尺度为t的切比雪夫图卷积操作的输出，concatenate()表示特征拼接操作，O表示权重拓扑学习模块的输出。
本发明的另一个目的在于提出一种基于多信息融合深度集成网络的故障诊断系统，包括：
信号采集装置，配置为利用多个传感器采集被测零件不同健康状态下的振动信号；
样本划分装置，配置为将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
模型获取装置，配置为构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；
数据训练装置，配置为将训练集输入到所述多信息融合深度集成网络模型中训练；
故障诊断装置，配置为将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
在本发明的一个示例中，所述跨尺度注意特征提取模块包括：
输入层；
位于第一层的并行连接的三个不同尺度的第一卷积层，均与所述输入层相连接；
位于第二层的三个不同尺度的第二卷积层，其中，第一个第二卷积层与第一个第一卷积层相串接，第一个第二卷积层与第二个第一卷积层求和之后并与第二个第二卷积层相串接，第二个第二卷积层与第三个第一卷积层求和之后并与第三个第二卷积层相串接；
特征融合单元，分别与三个第二卷积层相连接，配置为将三个不同尺度的第二卷积层得到的特征进行融合并进行卷积操作获得融合特征；
注意力机制调整单元，一端与输入层相连接，另一端与特征融合单元相连接，配置为采用注意力机制重新调整输入层的输入特征每个通道的权值，将通道权值与融合特征相乘得到跨尺度注意特征提取模块的输出。
下文中将结合附图对实施本发明的最优实施例进行更加详尽的描述，以便能容易理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。
图1为根据本发明实施例的基于多信息融合深度集成网络的故障诊断方法的流程图；
图2为根据本发明实施例的多信息融合深度集成网络结构示意图；
图3为根据本发明实施例的跨尺度注意特征提取模块的结构示意图；
图4为根据本发明实施例的权重拓扑学习模块的结构示意图；
图5为根据本发明实施例的多传感器采集到的振动信号的时域波形图；
图6为根据本发明实施例的不同噪声强度下6种方法的对比图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
根据本发明第一方面的一种基于多信息融合深度集成网络的故障诊断方法，如图1和图2所示，包括如下步骤：
S10：利用多个传感器采集被测零件不同健康状态下的振动信号；
S20：将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
S30：构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；换句话说，所述的基于复合指标的加权融合策略不仅能够充分利用多传感器数据的故障信息，而且能够避免由于传感器数据选择不合适而导致诊断准确率低的问题；所述的跨尺度注意特征提取模块通过跨尺度学习方式进行特征融合，丰富特征的多样性。同时，采用注意方法自适应增强重要特征的明显度；所述的权重拓扑学习模块不仅进一步深度挖掘样本本身的时序特征，而且根据邻接关系学习空间结构特征，使学习到的特征更加全面。
S40：将训练集输入到所述多信息融合深度集成网络模型中训练；
S50：将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
本发明首先利用多个传感器采集被测零件不同健康状态的振动信号；其次，将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本构造样本集，并将样本集按照比例划分出训练集和测试集；然后，设计一个多信息融合深度集成网络模型用于故障诊断；接着，将训练集输入到多信息融合深度集成网络模型训练；最后，将测试集输入到继承训练好参数的多信息融合深度集成网络模型中测试，实现不同健康状态的智能诊断。本发明充分利用多个传感器提供的互补性故障信息，能够有效解决强噪声背景下传统方法诊断性能弱的问题，为旋转机械故障诊断提供了新的参考依据。
在本发明的一个示例中，如图3所示，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度包括如下步骤：
首先第一层采用三个不同尺度的第一卷积层对输入特征进行并行卷积操作，接着第二层采用三个不同尺度的第二卷积进行卷积操作，其中，由第一个第二卷积层(3×1)对第一层的第一个第一卷积层(3×1)输出进行卷积操作，由第二个第二卷积层(5×1)对第二个第一卷积层(5×1)与第一个第二卷积层(3×1)求和之后结果进行卷积操作，由第三个第二卷积层(7×1)对第三个第一卷积层(7×1)与第二个第二卷积层(5×1)求和结果之后进行卷积操作，最后将三个不同尺度的第二卷积层输出结果进行特征融合，并采用卷积层(1×1)调整特征通道数获得融合特征，同时采用注意力机制重新调整输入特征每个通道的权值，最后将通道权值与经过1*1卷积层调整后的融合特征相乘得到跨尺度注意特征提取模块的输出。
在本发明的一个示例中，采用三个不同尺度的第一卷积层对输入特征进行并行卷积操作的表达式为：
式中，X表示跨尺度注意特征提取模块的输入，表示第一层第j个尺度的卷积操作，/>表示第一层第j个尺度的卷积操作的输出。
在本发明的一个示例中，第二层采用三个不同尺度的第二卷积层进行卷积操作，其中，由第一个第二卷积层对第一层的第一个第一卷积层进行卷积操作，由第二个第二卷积层对第二个第一卷积层与第一个第二卷积层求和之后进行卷积操作，由第三个第二卷积层对第三个第一卷积层与第二个第二卷积层求和之后进行卷积操的表达式为：
式中，分别表示第二层第1，2，3个尺度的卷积操作， 分别表示第二层第1，2，3个尺度的卷积操作的输出。
在本发明的一个示例中，1*1的卷积操作的表达式为：
式中，Conv表示1*1的卷积操作，表示1*1的卷积操作的输出。
在本发明的一个示例中，通道权值的计算公式为：
ψ＝σ2(FC2(σ1(FC1(GAP(X)))))
式中，GAP()表示全局平均池化操作，FC1()和FC2()表示两个不同的全连接操作，σ1()和σ2()分别表示ReLU激活函数和Sigmoid激活函数，ψ表示通道权值。
在本发明的一个示例中，跨尺度注意特征提取模块的输出表示为：
式中，表示向量与特征相乘符号，/>表示跨尺度注意特征提取模块的输出。
在本发明的一个示例中，所述基于复合指标的加权融合策略模块的表达式为：
式中，Ei，Ki和Hi分别表示第i个传感器信号的相关能量，峭度指数和信息熵，EKHi表示第i个传感器信号的复合指标，Wi表示第i个传感器信号所分配的权重值，m表示传感器总个数，xi表示第i个传感器信号，xall表示经过基于复合指标的加权融合策略融合后的振动信号，表示经过快速傅里叶变换后的频域信号，FFT()表示傅里叶变换函数。
在本发明的一个示例中，如图2所示，所述多信息融合深度集成网络模型包括依次串接的三个所述跨尺度注意特征提取模块和特征拼接层；
其中，在第一个跨尺度注意特征提取模块与基于复合指标的加权融合策略模块之间串接有第一卷积池化模块，在第二个跨尺度注意特征提取模块与第一个跨尺度注意特征提取模块之间串接有第二卷积池化模块，在第三个跨尺度注意特征提取模块与第二个跨尺度注意特征提取模块之间串接有卷积层；
其中，在三个跨尺度注意特征提取模块与特征拼接层之间分别串接有全局平均池化层。
需要说明的是，特征拼接的是直接将三个尺度的的结果进行并行级联，比如，A＝[12 3]；B＝[4 5 6]；C＝[7 8 9]；三个尺度A,B,C经过特征拼接的结果为D＝[1 2 3；45 6；7 8 9]；
在本发明的一个示例中，如图4所示，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息包括如下步骤：
构造加权邻接矩阵；
利用不同尺度的图卷积对图构数据进行空间结构特征提取。
在本发明的一个示例中，构造加权邻接矩阵的表达式为：
式中，Y表示输入特征，YT表示输入特征的转置，M表示自相关矩阵，normlize()表示归一化操作，Top-k()函数用于获取矩阵每一行前k个最大值和对应值的索引，s表示每条边
的其起始和结束索引，v表示每条边相关联的权重，sparse()表示稀疏邻接矩阵构造函数，A5表示稀疏的加权邻接矩阵。
在本发明的一个示例中，利用不同尺度的图卷积对图构数据进行空间结构特征提取的表达式为：
式中，ChebConvt表示尺度为t的切比雪夫图卷积操作，Wt表示尺度为t的切比雪夫图卷积操作对应的权重，Ht表示尺度为t的切比雪夫图卷积操作的输出，concatenate()表示特征拼接操作，O表示权重拓扑学习模块的输出。
根据本发明第二方面的一种基于多信息融合深度集成网络的故障诊断系统，包括：
信号采集装置，配置为利用多个传感器采集被测零件不同健康状态下的振动信号；
样本划分装置，配置为将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
模型获取装置，配置为构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，
所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；
数据训练装置，配置为将训练集输入到所述多信息融合深度集成网络模型中训练；
故障诊断装置，配置为将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
本发明的故障诊断系统充分利用多个传感器提供的互补性故障信息，能够有效解决强噪声背景下传统方法诊断性能弱的问题，为旋转机械故障诊断提供了新的参考依据。
在本发明的一个示例中，所述跨尺度注意特征提取模块包括：
输入层；
位于第一层的并行连接的三个不同尺度的第一卷积层，均与所述输入层相连接；
位于第二层的三个不同尺度的第二卷积层，其中，第一个第二卷积层与第一个第一卷积层相串接，第一个第二卷积层与第二个第一卷积层求和之后并与第二个第二卷积层相串接，第二个第二卷积层与第三个第一卷积层求和之后并与第三个第二卷积层相串接；
特征融合单元，分别与三个第二卷积层相连接，配置为将三个不同尺度的第二卷积层得到的特征进行融合并进行卷积操作获得融合特征；例如，包括一个对应元素相加和一个卷积层，其中，对应元素相加对三个不同尺度的第二卷积层得到的特征进行融合，一个卷积层对上述特征进行卷积操作得到融合特征；关于对应元素相加，例如：a＝[1,2,3]b＝[2,5,9]，相加的结果是：[3,7,12]。
注意力机制调整单元，一端与输入层相连接，另一端与特征融合单元相连接，配置为采用注意力机制重新调整输入层的输入特征每个通道的权值，将通道权值与融合特征相乘得到跨尺度注意特征提取模块的输出。
也就是说，首先第一层采用三个不同尺度的第一卷积层对输入特征进行并行卷积操作，接着第二层采用三个不同尺度的第二卷积进行卷积操作，其中，由第一个第二卷积层(3×1)对第一层的第一个第一卷积层(3×1)输出进行卷积操作，由第二个第二卷积层(5×1)对第二个第一卷积层(5×1)与第一个第二卷积层(3×1)求和之后结果进行卷积操作，由第三个第二卷积层(7×1)对第三个第一卷积层(7×1)与第二个第二卷积层(5×1)求和结果之后进行卷积操作，最后将三个不同尺度的第二卷积层输出结果进行特征融合，并采用卷积层(1×1)调整特征通道数获得融合特征，同时采用注意力机制重新调整输入特征每个通道的权值，最后将通道权值与经过1*1卷积层调整后的融合特征相乘得到跨尺度注意特征提取模块的输出。
需要说明的是，注意力机制调整单元包括依次串接的全局平均池化层、全连接层-1、ReLU、全连接层-2和Sigmoid；具体地，首先对输入特征进行全局平均池化操作将每个通道的特征转化成一个标量值来表示通道的统计信息，接着采用全连接层-1压缩通道数量，并采用ReLU函数确保全连接层-1的输出值是非负的，最后采用全连接层-2将通道数量扩大到与原始通道数量一致，并采用Sigmoid函数将全连接层-2的输出值映射到0和1之间，用于表示通道的注意力权值。
在本发明的一个示例中，所述权重拓扑学习模块包括：
构造单元，配置为构造加权邻接矩阵；
特征提取单元，配置为利用不同尺度的图卷积对图构数据进行空间结构特征提取；
具体地，构造单元包括图层构造层、特征提取单元包括第一切比雪夫图卷积层、特征拼接层以及第二切比雪夫图卷积层，其中图层构造层与三个第一切比雪夫图卷积层相连接，特征拼接层与三个第一切比雪夫图卷积层相串接，第二切比雪夫图卷积层与特征拼接层相串接输出空间结构特征。
需要说明的是，在权重拓扑学习模块与输出层之间还连接有softmax分类层。
具体实施案例
为了验证本发明方法的有效性，利用实验室的轴承数据集进行分析。轴承数据集包含七种健康状态，分别为正常状态，外圈故障，内圈故障，滚动体故障，内外圈复合故障，外圈滚动体复合故障和内外圈滚动体复合故障，七种不同健康状态的振动信号是在采样频率为12KHz和电机转速为1050r/min情况下采集的，每种状态采集到两个传感器振动信号，两个传感器采集到的不同健康状态的振动信号如图5所示。
首先，采用4096的窗长将两个传感器采集到的每一种健康状态的振动信号切分出200个样本，共计1400个样本，1050个样本用于训练，350个样本用于测试。详细的样本信息如表1所示。
表1为七种不同健康状态的振动信号的样本信息
其次，设计多信息融合深度集成网络模型结构和初始化参数，并将训练集样本输入到多信息融合深度集成网络模型中进行训练，多信息融合深度集成网络模型的初始化参数设置如表2所示，模型的最大训练轮次设为300，采用Adam优化器对模型中需要训练的参数进行优化，Adam的学习率设为0.001，最后，将未知状态的测试样本输入到继承训练好参数的多信息融合深度集成网络模型中进行健康状态诊断，获取最终的故障诊断结果。
表2为信息融合深度集成网络模型的初始化参数设置信息
为了验证本发明方法在故障诊断的可靠性和优越性，将本发明方法、CNN、GCN、SVM、2Mnet、和IMSDFDL分别用于分析相同的振动数据。本次分析的数据既有无噪声干扰的纯振动数据，也有包含不同噪声强度的复杂振动数据，CNN表示卷积神经网络，GCN表示图卷积神经网络，SVM表示支持向量机，2Mnet表示多传感器和多尺度模型，IMSDFDL表示基于集成多传感器融合的深度特征学习，CNN、GCN和SVM属于常规的单传感器诊断方法，2Mnet和IMSDFDL属于多传感器融合诊断方法，图5展示了六种方法在不同噪声强度下的诊断结果，从图6中可以看出，在无噪声环境下，发明法能够获得100％的准确率，相比于其他方法优势不是非常明显，但是随着噪声强度的增大，CNN、GCN、SVM、2Mnet、和IMSDFDL的诊断准确率下降的非常迅速，而发明方法的准确率并无明显的衰减，在-8dB的数据上，依然获得99％以上的准确率，相比于排名第二的CNN和排名最后的SVM分别提高了约7％和79％。以上对比实验表明，发明方法能够充分融合多传感器信号的有用信息，提高故障诊断的准确率，同时具有强噪声干扰下准确判断故障状态的优势。
上文中参照优选的实施例详细描述了本发明所提出的基于多信息融合深度集成网络的故障诊断方法和系统的示范性实施方式，然而本领域技术人员可理解的是，在不背离本发明理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本发明提出的各种技术特征、结构进行多种组合，而不超出本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (9)
1.一种基于多信息融合深度集成网络的故障诊断方法，其特征在于，包括如下步骤：
S10：利用多个传感器采集被测零件不同健康状态下的振动信号；
S20：将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
S30：构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；
其中，所述基于复合指标的加权融合策略模块的表达式为：
式中，/>分别表示第i个传感器信号的相关能量，峭度指数和信息熵，/>表示第i个传感器信号的复合指标，/>表示第i个传感器信号所分配的权重值，m表示传感器总个数，/>表示第i个传感器信号，/>表示经过基于复合指标的加权融合策略融合后的振动信号，/>表示经过快速傅里叶变换后的频域信号，FFT（）表示傅里叶变换函数；
S40：将训练集输入到所述多信息融合深度集成网络模型中训练；
S50：将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
2.根据权利要求1所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度包括如下步骤：
首先第一层采用三个不同尺度的第一卷积层对输入特征进行并行卷积操作，接着第二层采用三个不同尺度的第二卷积进行卷积操作，其中，由第一个第二卷积层对第一层的第一个第一卷积层进行卷积操作，由第二个第二卷积层对第二个第一卷积层与第一个第二卷积层求和之后进行卷积操作，由第三个第二卷积层对第三个第一卷积层与第二个第二卷积层求和之后进行卷积操作，最后将三个不同尺度的第二卷积层进行特征融合，并采用卷积层调整特征通道数获得融合特征，同时采用注意力机制重新调整输入特征每个通道的权值，最后将通道权值与融合特征相乘得到跨尺度注意特征提取模块的输出。
3.根据权利要求2所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
第二层采用三个不同尺度的第二卷积层进行卷积操作，其中，由第一个第二卷积层对第一层的第一个第一卷积层进行卷积操作，由第二个第二卷积层对第二个第一卷积层与第一个第二卷积层求和之后进行卷积操作，由第三个第二卷积层对第三个第一卷积层与第二个第二卷积层求和之后进行卷积操的表达式为：
式中，/>分别表示第二层第1，2，3个尺度的卷积操作，/> ，分别表示第二层第1，2，3个尺度的卷积操作的输出。
4.根据权利要求1所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
所述多信息融合深度集成网络模型包括依次串接的三个所述跨尺度注意特征提取模块和特征拼接层；
其中，在第一个跨尺度注意特征提取模块与基于复合指标的加权融合策略模块之间串接有第一卷积池化模块，在第二个跨尺度注意特征提取模块与第一个跨尺度注意特征提取模块之间串接有第二卷积池化模块，在第三个跨尺度注意特征提取模块与第二个跨尺度注意特征提取模块之间串接有卷积层；
其中，在三个跨尺度注意特征提取模块与特征拼接层之间分别串接有全局平均池化层。
5.根据权利要求1所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
所述权重拓扑学习模块配置为学习特征图节点之间的权重信息包括如下步骤：
构造加权邻接矩阵；
利用不同尺度的图卷积对图构数据进行空间结构特征提取。
6.根据权利要求5所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
构造加权邻接矩阵的表达式为：
式中，Y表示输入特征，/>表示输入特征的转置，M表示自相关矩阵，normlize()表示归一化操作，Top-k()函数用于获取矩阵每一行前k个最大值和对应值的索引，s表示每条边的其起始和结束索引，v表示每条边相关联的权重，sparse()表示稀疏邻接矩阵构造函数，A表示稀疏的加权邻接矩阵。
7.根据权利要求5所述的基于多信息融合深度集成网络的故障诊断方法，其特征在于，
利用不同尺度的图卷积对图构数据进行空间结构特征提取的表达式为：
式中，/>表示尺度为t的切比雪夫图卷积操作，/>表示尺度为t的切比雪夫图卷积操作对应的权重，/>表示尺度为t的切比雪夫图卷积操作的输出，concatenate()表示特征拼接操作，O表示权重拓扑学习模块的输出。
8.一种基于多信息融合深度集成网络的故障诊断系统，其特征在于，包括：
信号采集装置，配置为利用多个传感器采集被测零件不同健康状态下的振动信号；
样本划分装置，配置为将多个传感器采集到的振动信号以相同大小的窗长切分出多个样本形成样本集，并将该样本集按照比例划分出训练集和测试集；
模型获取装置，配置为构建一个由依次串接的基于复合指标的加权融合策略模块、跨尺度注意特征提取模块和权重拓扑学习模块的多信息融合深度集成网络模型；其中，所述基于复合指标的加权融合策略模块配置为利用多传感器互补信息进行特征提取，所述跨尺度注意特征提取模块配置为提取信号不同尺度上的特征信息，并且增强故障信息的明显度，所述权重拓扑学习模块配置为学习特征图节点之间的权重信息，并能够进一步丰富故障信息，提升整个网络模型的识别精度；
其中，所述基于复合指标的加权融合策略模块的表达式为：
式中，/>分别表示第i个传感器信号的相关能量，峭度指数和信息熵，/>表示第i个传感器信号的复合指标，/>表示第i个传感器信号所分配的权重值，m表示传感器总个数，/>表示第i个传感器信号，/>表示经过基于复合指标的加权融合策略融合后的振动信号，/>表示经过快速傅里叶变换后的频域信号，FFT（）表示傅里叶变换函数；
数据训练装置，配置为将训练集输入到所述多信息融合深度集成网络模型中训练；
故障诊断装置，配置为将测试集输入到已经训练好参数的多信息融合深度集成网络模型中进行健康状态判别。
9.根据权利要求8所述的基于多信息融合深度集成网络的故障诊断系统，其特征在于，
所述跨尺度注意特征提取模块包括：
输入层；
位于第一层的并行连接的三个不同尺度的第一卷积层，均与所述输入层相连接；
位于第二层的三个不同尺度的第二卷积层，其中，第一个第二卷积层与第一个第一卷积层相串接，第一个第二卷积层与第二个第一卷积层求和之后并与第二个第二卷积层相串接，第二个第二卷积层与第三个第一卷积层求和之后并与第三个第二卷积层相串接；
特征融合单元，分别与三个第二卷积层相连接，配置为将三个不同尺度的第二卷积层得到的特征进行融合并进行卷积操作获得融合特征；
注意力机制调整单元，一端与输入层相连接，另一端与特征融合单元相连接，配置为采用注意力机制重新调整输入层的输入特征每个通道的权值，将通道权值与融合特征相乘得到跨尺度注意特征提取模块的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311178807.XA CN117540202B (zh) | 2023-09-13 | 2023-09-13 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311178807.XA CN117540202B (zh) | 2023-09-13 | 2023-09-13 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117540202A CN117540202A (zh) | 2024-02-09 |
| CN117540202B true CN117540202B (zh) | 2024-05-14 |
Family
ID=89786812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311178807.XA Active CN117540202B (zh) | 2023-09-13 | 2023-09-13 | 基于多信息融合深度集成网络的故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540202B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
| CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
| CN115146687A (zh) * | 2022-08-31 | 2022-10-04 | 武昌理工学院 | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 |
| CN116502175A (zh) * | 2023-03-15 | 2023-07-28 | 华南理工大学 | 一种图神经网络故障诊断方法、装置和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739075B (zh) * | 2020-06-15 | 2024-02-06 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
-
2023
- 2023-09-13 CN CN202311178807.XA patent/CN117540202B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
| CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
| CN115146687A (zh) * | 2022-08-31 | 2022-10-04 | 武昌理工学院 | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 |
| CN116502175A (zh) * | 2023-03-15 | 2023-07-28 | 华南理工大学 | 一种图神经网络故障诊断方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117540202A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN108830127A (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
| CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
| CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
| CN114295368B (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
| CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
| CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
| CN113850161B (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
| CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
| CN116595377A (zh) | 一种基于时域频域对抗学习的多元时序异常检测方法 | |
| CN117540202B (zh) | 基于多信息融合深度集成网络的故障诊断方法和系统 | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |