基于多源异构数据自适应融合的电机轴承故障诊断方法

1.本发明涉及电机故障诊断技术领域，尤其是涉及一种基于多源异构数据自适应融合的电机轴承故障诊断方法。


背景技术：

2.轴承作为电机设备的重要组件之一，其健康状态极大地影响着整个电机的平稳运行。而在复杂的工作环境下，轴承极易产生各种故障，进而发展为整个电机的故障，轻则产生噪音、振动异常，重则损伤设备、造成经济损失、人员伤亡。所以，轴承的故障诊断方面的研究非常具有实际意义。
3.现有的故障诊断技术大多是传统的基于模型的方法，对原始数据进行人工提取特征，来构建一个较为精确的模型。有部分基于数据的技术，通过使用卷积神经网络(cnn)，支持向量机(svm)等机器学习方法实现故障诊断。
4.然而，上述方法具有如下弊端：
5.1)在电机技术发展迅速的今天，电机轴承结构和工况的复杂度影响了模型的精确构建；
6.2)一些基于数据的技术在低算力的设备上难以得到应用，结果也不够准确；
7.3)现有技术大多只考虑单传感器、单项数据源的处理，诊断结果不够精准。


技术实现要素：

8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源异构数据自适应融合的电机轴承故障诊断方法。
9.本发明的目的可以通过以下技术方案来实现：
10.一种基于多源异构数据自适应融合的电机轴承故障诊断方法，该方法包括：
11.获取用于诊断的多源异构数据；
12.将多源异构数据进行分类并预处理；
13.将每一类别的数据分别输入预先训练的深度学习模型进行特征提取与融合，并通过分类器输出分类结果，完成故障诊断。
14.优选地，所述的多源异构数据的类别包括一维时序信号和二维图像信号。
15.优选地，所述的一维时序信号包括振动信号、电压信号、声音信号。
16.优选地，所述的二维图像信号包括热传感图像。
17.优选地，所述的一维时序信号的预处理包括正则化、归一化处理。
18.优选地，所述的二维图像信号的预处理包括降维处理。
19.优选地，所述的降维处理包括主成分分析法。
20.优选地，所述的深度学习模型包括多组特征提取网络和一组特征融合网络，所述的特征提取网络一一对应用于对每一类别的数据进行特征提取，所述的特征融合网络用于对每一类别的数据提取的特征进行融合。
21.优选地，所述的特征提取网络包括依次连接的第一卷积层、最大池化层、第二卷积层、第一mini-bn处理层、第一sixrelu处理层、dw模块、第二mini-bn处理层、第二sixrelu处理层、involution层、dropout层、全局平均池化层。
22.优选地，所述的特征融合网络包括注意力机制模块。
23.与现有技术相比，本发明具有如下优点：
24.(1)本发明使用了基于数据的方法进行轴承的故障诊断，相比传统基于模型的技术具有适用性强，所需先验知识少的特点。
25.(2)本发明采用多源异构数据进行电机轴承的故障诊断，对各类数据分别进行自适应的特征提取，并对特征进行融合，进而提供故障诊断，所得的结果具有更高的准确率和鲁棒性；
26.(3)本发明深度学习模型使用了大量的轻型卷积操作，在保证准确率的情况下大大减少了计算负担，加快了故障诊断的效率；
27.(4)本发明将二维数据通过pca降维，使用少数互不相关的特征来代替原先的大量存在一定相关性的特征，从而加速机器学习进程；
28.(5)本发明采用注意力机制模块进行特征融合，给每个通道赋予权重，加强了数据融合的融洽性，提高了准确率与鲁棒性。
附图说明
29.图1为本发明一种基于多源异构数据自适应融合的电机轴承故障诊断方法的流程框图；
30.图2为本发明一维时序信号和二维图像信号的示意图；
31.图3为本发明深度学习模型的结构示意图；
32.图4本发明实施例中的实施结果图，(a)为混淆矩阵图，(b)为准确率曲线图。
具体实施方式
33.下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
34.实施例
35.常见的电机轴承运行状态有正常、滚动体故障、轴承内圈故障和轴承外圈故障，对电机轴承的诊断至关重要，因此，如图1所示，本实施例提供一种基于多源异构数据自适应融合的电机轴承故障诊断方法，该方法包括：
36.获取用于诊断的多源异构数据；
37.将多源异构数据进行分类并预处理；
38.将每一类别的数据分别输入预先训练的深度学习模型进行特征提取与融合，并通过分类器输出分类结果，完成故障诊断。
39.本发明使用了基于数据的方法进行轴承的故障诊断，相比传统基于模型的技术具有适用性强，所需先验知识少的特点。采用多源异构数据进行电机轴承的故障诊断，对各类数据分别进行自适应的特征提取，并对特征进行融合，进而提供故障诊断，所得的结果具有
更高的准确率和鲁棒性。
40.以下进行具体说明：
41.一、多源异构数据
42.多源异构数据的类别包括一维时序信号和二维图像信号。其中，一维时序信号包括振动信号、电压信号、声音信号。二维图像信号包括热传感图像。图2为两类信号的示意图，图2中(a)为一维时序信号的示意图，图2中(b)为二维图像(具体为红外温度图像)的示意图。
43.二、预处理
44.a)一维时序信号的预处理
45.对于振动、电压和声音等信号，皆可视为一维时序信号，对于这些信号首先采用正则化，归一处理所有数据。正则化公式为：
[0046][0047][0048]
式(1)中，为数据的均值，n为数据总数，i为第i个数据。式(2)中，sn为标准差。
[0049]
归一化的操作为：1)对一组数据去均值化；2)将每个数据除以标准差。该操作是使得数据服从正太分布，从而加快梯度下降的速度。
[0050]
接着利用独热编码，给每个数据打上标签，以便后续的分类工作。
[0051]
b)二维图像信号的预处理
[0052]
将热传感图片这样的数据归类为二维图像数据，采用pca(主成分分析)对数据进行降维处理，目的是使用少数几个有代表性、互不相关的特征来代替原先的大量的、存在一定相关性的特征，从而加速机器学习进程。设有m行n维数据，pca的计算步骤如下：
[0053]
1、将原始数据组成m行n列矩阵x；
[0054]
2、将x的每一行减去该行的均值；
[0055]
3、求出协方差c＝(1/m)xx
t
；
[0056]
4、求出协方差的特征值与特征向量；
[0057]
5、将特征向量按值大小排序，取前k行组成矩阵p；
[0058]
6、y＝px即为降维到k维后的数据。
[0059]
三、网络模型
[0060]
如图3所示，深度学习模型包括多组特征提取网络和一组特征融合网络，特征提取网络一一对应用于对每一类别的数据进行特征提取，特征融合网络用于对每一类别的数据提取的特征进行融合。特征提取网络包括依次连接的第一卷积层、最大池化层、第二卷积层、第一mini-bn处理层、第一sixrelu处理层、dw模块、第二mini-bn处理层、第二sixrelu处理层、involution层、dropout层、全局平均池化层(gap)。特征融合网络包括注意力机制模块(se)。
[0061]
本发明模型中使用大量轻型网络的模块与技术，使得计算量与参数相比普通的卷积网络大大减少。这些模块包括有dw模块，involution(内卷)卷积，全局平均池化(gap)和
se模块等，使用的技术包括mini-bn，sixrelu等。特别的，在全连接层(fc)前面使用了se模块(注意力机制模块)，加入了注意力机制，给每个通道赋予权重，加强了数据融合的融洽性，提高了准确率与鲁棒性。大量的轻型卷积操作，在保证准确率的情况下大大减少了计算负担，加快了故障诊断的效率。
[0062]
综上，本发明首先判断输入信号源的个数以及类别，接着对各类数据进行预处理，然后分别输入网络进行特征提取，再然后反向传播微调权重参数，最后通过softmax分类器进行分类。
[0063]
最后，本实施例利用采集到的振动、电压信号和热传感图像对上述所提方法进行验证。数据分为8个运行状态，分别为0负载和25％负载的正常、内圈故障、外圈故障和滚动体故障。图4为实验结果，图4中(a)为混淆矩阵图，(b)为准确率曲线图，实验证明本发明诊断准确度高。
[0064]
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。