[发明专利]基于多局部模型决策融合的工业电机轴承故障诊断方法

权利要求书

1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：

S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；

S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；

S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出到Attention层，Attention层与全连接层的输出分别作为全连接层与softmax分类层的输入，最后softmax分类层输出局部诊断结果；

S4 决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。

2.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。

3.根据权利要求2所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于：所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：

S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；

S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；

S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；

S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。

4.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S3中建立多局部诊断模型，对处理过的振动数据训练集和光电编码器数据分别基于Bi-LSTM神经网络建立局部诊断模型，具体步骤如下：

S3-1输入层接收处理过的训练集；

S3-2 Bi-LSTM层对LSTM前向层输出的特征向量和LSTM反向层输出的特征向量进行逐项求和，得到的和向量作为Bi-LSTM层的输出向量；

S3-3 Attention层接收Bi-LSTM层的输出特征向量并计算注意力权重系数，之后将注意力权重系数与Attention层接收的特征向量对应相乘以获得最后的特征表达；

S3-4全连接层接受Attention层的输出特征表达，将经过Bi-LSTM层、Attention层网络训练取得的特征映射到样本标记空间；

S3-5softmax层接受全连接层的数据，并得出分类结果；

S3-6采用交叉熵损失函数来计算模型损失值，即局部诊断模型输出的预测值与实际值的误差。

5. 根据权利要求4所述的一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述多局部诊断模型在训练过程中，通过多次迭代后利用Adam优化算法使得模型损失值逐步减小以实现优化模型，全连接层设置 Dropout比例，根据选取不同的学习率分别运行得到的准确率图像以及收敛速度和算法复杂度选择学习率。

6.根据权利要求1所述的一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S4决策级融合，基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果，具体过程如下：

S4-1建立识别框架，2个局部诊断模型输出的局部诊断结果分别构成识别框架下的2个证据体；

S4-2确定出各证据体的基本赋值函数，分别计算单证据体作用下识别框架中各故障类型的置信区间；

S4-3利用DSmT理论的比例冲突分配规则，对证据体进行融合处理即计算所有证据体联合作用下的基本赋值函数和置信区间；

S4-4根据实际情况，基于相应的决策规则，进而得到诊断结果。