[发明专利]一种多特征提取与融合的智能故障诊断方法

说明书

一种多特征提取与融合的智能故障诊断方法，首先利用数据采集系统和传感器采集机械设备运行过程中的数据；然后以确定的长度截取不经任何处理的原始信号，将其分为训练样本和测试样本，做各段信号的频谱并归一化；基于自编码器构建多特征提取器，基于动态路由算法构建多特征融合器，基于softmax构建健康状态分类器；之后利用训练样本训练模型，提取区分各类健康状态的有效特征以及自适应地学习特征融合方法；最终将测试样本输入至模型中，验证模型的有效性；本发明实现了小样本情况下设备故障特征的自适应提取与故障状态的智能诊断，训练时间短，结果准确可靠。

技术领域

本发明属于故障诊断技术领域，特别涉及一种多特征提取与融合的智能故障诊断方法。

背景技术

随着技术的进步，现代机械正朝着高速、高精和智能的方向发展，但其必须满足可靠性和可用性的要求；而作为机械设备的重要组成部分，关键零部件对保证设备的平稳运行至关重要，其一旦发生故障，就会导致设备可靠性降低，重则还会引起设备意外停机，产生巨大的生产成本和产能损失；因此，基于关键零部件的运行数据，发展一种能够有效识别健康状态的故障诊断方法是必要的。

在故障诊断领域，对零部件健康状态进行识别主要分为基于信号处理的传统识别方法和基于机器学习的智能识别方法；传统识别方法利用各种信号处理技术，如快速傅里叶变换，小波及小波包分解，经验模式分解等，对采集到的信号进行预处理，通过人为观察处理后的结果，提取有用信息进行零部件健康状态的识别；传统识别方法在进行故障诊断时需要大量的信号处理知识以及丰富的故障诊断经验，受人的主观影响较大；而智能故障诊断在很大程度上改善了传统识别方法的这一缺陷。

经过数十年的发展，智能故障诊断共经历了两个阶段，分别是传统智能故障诊断和基于深度学习的智能故障诊断；传统智能故障诊断通过提取多种领域的标量特征，例如时域、频域、时频域，然后选择部分敏感特征或者全部特征输入至浅层模型中，例如支持向量机、人工神经网络或者多种方法的混合等，通过这些方法实现设备健康状态识别；然而，传统智能诊断方法存在以下两个缺点：1)孤立了特征提取与故障识别的关系，提升了智能故障诊断的难度；2)在面对较为复杂的故障识别任务时，例如故障类别多、数据量大等，人为提取有效特征会消耗大量的时间，并且特征泛化能力较低，缩小了智能诊断的应用范围；由于强大的数据挖掘与自适应特征提取能力，深度学习表现出了克服传统智能诊断内在缺陷的潜力，极大地推动了智能故障诊断的发展与应用；研究者们通过堆叠多层基础的神经网络，例如受限玻尔兹曼机、自编码器或者它们的变体，构建一种深度学习模型，使其能够从时域数据、频域数据、时频域数据中自适应学习有效的标量特征；最终模型的分类器利用这些特征对轴承的健康状态进行识别。

然而基于深度学习的智能诊断方法仍有以下两个关键点急需解决：1)训练深度学习模型通常需要大量的训练本，但在实际中故障样本很少，不能满足这一要求；2)训练深度学习模型需要大量的时间，这会导致模型缺乏快速更新的能力；两个问题有时是相互矛盾的；因此，同时解决这两个问题需要特殊设计的智能诊断模型。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种多特征提取与融合的智能故障诊断方法，以准确可靠地完成设备智能故障诊断。

为了达到上述目的，本发明的技术方案是这样实现的：

一种多特征提取与融合的智能故障诊断方法，包括以下步骤：

(1)利用数据采集系统和传感器采集机械设备运行过程中的数据，所述的数据包括振动数据，声音数据；

(2)以确定的长度截取不经任何处理的原始信号，并将其分为训练样本和测试样本，做各段信号的频谱并归一化；

(3)基于自编码器构建多特征提取器，然后利用提取到的多个特征基于动态路由算法构建多特征融合器；

(4)利用softmax分类器对融合后的特征进行轴承健康状态识别；