一种基于多传感器多尺度特征融合的轴承故障诊断方法

本发明涉及轴承故障智能诊断方法，具体为一种基于多传感器多尺度特征融合的轴承故障诊断方法。

背景技术：

1、在现代工业领域，轴承作为生产过程的关键组件，扮演着至关重要的角色，其运行稳定性和可靠性直接关系到生产效率和设备寿命。轴承广泛应用于发电、制造、交通等众多领域，包括发电机、风力发电机组、水泵等。然而，由于其特殊的工作环境和高频率的运动，这些设备容易受到各种外部和内部因素的影响，例如振动、摩擦、磨损等，导致潜在的故障风险。因此，对轴承进行及时、准确的故障诊断变得至关重要，成为确保生产效率、提高设备寿命、降低维护成本的关键。

2、轴承的故障诊断一直是一个复杂而具有挑战性的任务。首先、传统的故障诊断过程主要集中在单一信号源的分析，存在明显的局限性，包括基于振动信号的频域分析、时域分析，以及基于电流信号的电流谱分析等。首先，单一信号源的使用难以全面、准确地反映设备的运行状态，特别是在面对多种复杂的故障模式时。其次，由于机械设备的工作环境复杂，噪声干扰较大，采集到的信号往往包含大量无关信息，导致分析结果不够可靠。虽然这些方法在一定程度上提高了故障诊断的效率，但在应对设备工作条件的变化和不同频率故障的识别上、解决多信号融合和复杂环境下的故障模式识别等方面尚存在不足。

3、其次、常规的故障诊断方法主要涵盖三个环节：1.利用信号的去噪和拆分以达到信号的初始化；在众多研究方法中，信号处理方法最为常见，如傅里叶变换、经验模态分解等；2.使用特征提取方法获取经过预处理的信号的时域、频域等特征，特征提取方法包括小波变换、同步提取法、经验小波变换等，这些方法可以再次过滤掉信号中的无用特征，使所需的故障特征更为突出；3.将最终提取的特征输入到机器学习分类器中进行训练，通过训练分类器实现对故障类型的分类。然而，这些方法主要依赖于先进的信号处理技术，并在特征提取和选择方面需要具备丰富的工程经验和专业知识。同时，它们仍然存在故障特征提取和诊断识别两方面的分离。此外，许多传统的机器学习模型结构相对简单，限制了分类器在故障诊断问题中学习复杂非线性关系的能力。

4、在当今工业智能化和数字化转型的背景下，“互联网+”、大数据、人工智能和深度学习等先进技术正在为工业领域带来前所未有的变革。这些技术的融合为轴承的故障诊断提供了全新的思路和解决方案，推动着工业智能化水平的提升。随着国家对工业关注程度的提高，“互联网+工业”成为了一项重要的工程，大数据、人工智能、深度学习等理论技术的兴起和发展为实现现代化轴承的故障诊断提供了新的研究思路。人工智能在轴承故障诊断中扮演着越来越重要的角色，深度学习作为人工智能的分支，通过神经网络结构能够更好地处理大规模的非结构化数据。然而现有的大多数传统的深度学习模型结构较简单，这限制了分类器在处理故障诊断问题时处理复杂非线性关系的能力。在设备工作的复杂环境下，如何利用多源数据进行特征融合来提高故障诊断的准确率，是轴承智能故障诊断亟待解决的首要问题。

技术实现思路

1、本发明目的在于提出一种基于多传感器多尺度特征融合的轴承故障诊断方法，本方案通过振动信号、电流信号等多源数据作为输入，采用深度网络模型实现不同类型信号的特征融合，同时引入注意力机制网络，增强关键特征之间的联系，提高模型的分类性能；同时本方案综合考虑了不同信号源的信息，通过深度学习实现了多尺度特征的端到端学习，使得对于多样性、复杂性故障的诊断更为全面、准确。

2、本发明采用的技术方案是：一种基于多传感器多尺度特征融合的轴承故障诊断方法，包括如下步骤：

3、s1、通过传感器采集轴承运行状态下的电流信号与振动信号制作数据集，采用began网络模型对数据集样本进行增强，将增强后的样本划分为训练集、验证集和测试集；

4、s2、搭建多尺度特征融合的网络模型，将训练集中的电流信号与振动信号数据分别经过快速傅里叶变换转化为频域，然后分别送入多尺度的网络模型中提取训练集的特征，将提取的特征引入注意力机制调整权重，后将两个分支网络提取的特征进行融合；

5、s3、将融合特征使用自校正卷积与空洞卷积交替处理以提高模型的表示能力和泛化性能，后经过池化、特征展平与全连接，最后通过分类器输出故障的分类结果；

6、s4、将验证集输入步骤s2中训练后的多尺度的网络模型中，评估模型的性能，根据验证结果微调模型的参数；

7、s5、判断网络模型的训练次数m是否达到预先设定的迭代次数n，若是，进入下一步；否则，重复步骤s2；

8、s6、将测试集输入到步骤s4中验证后的网络模型，以测试已验证的网络模型的性能，最后使用测试集对已训练好的模型进行测试，输出结果。

9、作为优选方案，步骤s1中，所述的began网络模型包含生成器模型和判别器模型两部分，生成器通过判别器传递的损失函数来更新自身的参数，判别器通过生成器传递的参数来调整自身的参数，通过两者相互博弈的方式进行训练并达到平衡状态。

10、作为优选方案，所述的began网络模型，其中，生成器模型和判别器模型的损失函数为：

11、ld＝l(x；θd)-l(g(zd；θg)；θd)

12、lg＝l(g(zd；θg)；gd)

13、其中，x为真实样本，θd和θg为生成器和判别器的参数，由最小化损失ld和lg更新，zd是来自z的样本；

14、began网络模型的目标函数为：

15、ld＝l(x)-ktl(g(zd))

16、lg＝l(g(zg))

17、kt+1＝kt+βk(γl(x)-l(g(zg)))

18、其中：l(v)＝|v-d(v)|α，且α∈{1，2}；kt取值在[0，1]，之间，用于调控在使用l(g(zg)时梯度下降的强度，初始值k0＝0，βk表示k的比例增益，l(v)表示数据v与经过自动编码器d产生的数据的重构损失，ld表示真实数据x与x经过自动编码器d后的数据的重构损失与生成模型生成的数据g(z)和经过d后的数据d(g(z))的重构损失之差。

19、作为优选方案，步骤s1中，对增强后的样本按照8∶1∶1的比例划分为训练集、验证集和测试集。

20、作为优选方案，步骤s2中，将训练集中的电流信号与振动信号数据分别经过快速傅里叶变换转化为频域，其中快速傅里叶变换的定义公式为：

21、

22、其中，n为时间序列长度；w为dft的权函数。

23、作为优选方案，步骤s2中，具体流程如下：

24、s2.1、经过快速傅里叶变换转化后的电流信号与振动信号分别输入到第一层的卷积中，通过该卷积层将对输入的数据进行卷积操作，使其提取初始的浅层特征，后通过多尺度的卷积核来提取深层的特征；

25、s2.2、将提取的多尺度特征进行融合，并引入到通道空间注意力机制中，进行通道相关性的建模和调整；

26、s2.3、进行分组卷积，最后将两个分支网络提取的特征进行融合。

27、作为优选方案，步骤s2.1中，首先通过并行卷积滤波操作，使用三组不同尺度的卷积核进行卷积层处理，这些卷积核的大小分别为1×3、1×5、1×7；接着，经过上一层处理后的结果再次输入到下一层的多尺度卷积核卷积层，而这一层卷积核的大小与上一层相同；多尺度卷积操作公式为：

28、

29、作为优选方案，步骤s2.3中，分组卷积过程中，将卷积核分多个组，每个组的卷积核只处理输入特征图的子集，每个组的卷积核大小为1×1。

30、作为优选方案，步骤s3中，自校正卷积的具体步骤如下：

31、s3.1、输入的特征图x为c×h××w大小，将其按照通道数进行拆分为两个相等的部分，记为

32、s3.2、将卷积核k拆分为相同维度的四个部分，各部分作用均不同，其维度大小均为c/2×c/2×h/w，记为

33、s3.3、对原始的尺度特征空间进行处理，将特征x2经过k4卷积得到y2；

34、s3.4、对自校正尺度空间进行处理，将特征x1输入到不同的两个分辨率通道中，当输入特征的宽度减小r倍来降低分辨率，采用平均池化对特征x1进行下采样，然后对其卷积和上采样，通过计算输出与k2提取的特征进行自校正，最后通过k3卷积输出自校正特征y1；

35、s3.5、将特征y1与特征y2融合，输出最终的特征y。

36、作为优选方案，步骤s3中，空洞卷积计算的关系式为：

37、

38、其中，y(·)表示输入特征，长度为b，w(i)为表示卷积核的大小，r表示空洞率，z(x)表示经过空洞卷积后输出特征。

39、本发明的有益效果是：

40、基于现有技术存在的缺陷，提供一种基于多传感器多尺度特征融合的轴承故障诊断方法，本发明利用现代计算机技术，对由传感器获取的振动和电流信号进行了分析，提取了两种不同类型信号的多尺度特征信息进行融合后分类，实现故障诊断，同时采用深度网络模型实现不同类型信号的特征融合，同时引入注意力机制网络，增强关键特征之间的联系，提高模型的分类性能；该方法综合考虑了不同信号源的信息，通过深度学习实现了多尺度特征的端到端学习，使得对于多样性、复杂性故障的诊断更为全面、准确；本方案将为旋转机械设备中轴承的故障诊断的智能化发展提供关键理论与技术支撑，实现对设备状态的全方位监测和准确诊断，为工业生产提供更加可靠的设备保障，推动制造业向智能化、数字化迈进。