[发明专利]多物理域信息融合的自主感知方法及系统

权利要求书

1.一种多物理域信息融合的自主感知方法，其特征在于，所述方法包括：

间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

2.根据权利要求1所述的方法，其特征在于，所述间隔预置采样时间采集多个物理域数据的步骤包括：

间隔预置采样时间采集机械设备的工作数据，所述工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

间隔所述采样时间采集环境的状态数据，所述状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。

3.根据权利要求1所述的方法，其特征在于，所述决策级融合模型包括高斯混合模型-隐马尔可夫链模型和D-S证据理论模型；

则所述利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果的步骤包括：

分别对多个所述物理域数据进行信息处理，所述信息处理包括滤波处理、清洗处理、时域处理和频域处理；

利用高斯混合模型-隐马尔可夫链模型分别对已信息处理的多个所述物理域数据进行决策处理，得到多个决策结果，所述决策结果包括状态识别、健康评估和故障诊断；

利用所述D-S证据理论模型对多个所述决策结果进行融合，得到决策融合结果。

4.根据权利要求1所述的方法，其特征在于，所述特征级融合模型为深度神经网络模型，且所述深度神经网络模型包括长短期记忆网络、全连接神经网络和softmax函数层；

则所述利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果的步骤包括：

利用长短期记忆网络分别对多个所述物理域数据进行特征提取，得到多个物理特征，所述特征处理包括降维处理与聚类处理；

利用所述全连接神经网络对多个所述物理特征进行融合，得到初步融合结果；

利用所述softmax函数层对所述初步融合结果进行处理，得到特征融合结果。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

利用所述自主感知结果对所述特征级融合模型进行训练，更新所述特征级融合模型。

6.一种多物理域信息融合的自主感知系统，其特征在于，所述系统包括：

采集装置，用于间隔预置采样时间采集多个物理域数据，多个所述物理域数据包括振动数据、温度数据、转速数据、声发射数据和压力数据；

决策融合模块，用于利用预先构建的决策级融合模型分别对多个所述物理域数据进行决策处理，并进行融合得到决策融合结果，所述决策融合结果包括状态识别、健康评估和故障诊断；

特征融合模块，用于利用特征级融合模型分别对多个所述物理域数据进行特征处理，并进行融合得到特征融合结果，所述特征融合结果包括状态识别、健康评估和故障诊断；

对比确定模块，用于对比所述决策融合结果和所述特征融合结果，确定自主感知结果。

7.根据权利要求6所述的系统，其特征在于，所述采集装置包括：

第一采集装置，用于间隔预置采样时间采集机械设备的工作数据，所述工作数据至少包括振动数据、设备温度数据、转速数据、声发射数据、压力数据、切削力数据和工作视频数据；

第二采集装置，用于间隔所述采样时间采集环境的状态数据，所述状态数据至少包括环境温度数据、湿度数据、烟雾数据、二氧化碳数据和噪声数据。