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:
1、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。
2、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。
技术实现思路
1、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。
2、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:
3、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;
4、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;
5、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;
6、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;
7、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。
8、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:
9、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:
10、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。
11、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:
12、
13、
14、
15、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。
16、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:
17、
18、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。
19、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;
20、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;
21、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。
22、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:
23、构造加权邻接矩阵;
24、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。
25、在本发明的一个示例中,构造加权邻接矩阵的表达式为:
26、
27、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。
28、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:
29、
30、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。
31、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:
32、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;
33、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;
34、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;
35、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;
36、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。
37、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:
38、输入层;
39、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;
40、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;
41、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;
42、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。
43、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。