[发明专利]基于多模态数据的三阶段特征融合旋转机械故障诊断方法

说明书

本公开提供了一种基于多模态数据的三阶段特征融合旋转机械故障诊断方法，获取机械运行状态参量数据，得到至少两种模态的数据；将获取的各模态数据分别输入到预设神经网络模型中，得到最终的故障分类结果；其中，预设神经网络模型至少依次包括第一自特征融合、互特征融合和第二自特征融合三个阶段；本公开采用包括一维卷积神经网络和二维卷积神经网络在内的三阶段特征融合方法，对多尺度特征进行融合并进行故障诊断，其中二维卷积神经网络提取特征映射图谱之间的相关性，注意力机制可以对特征图谱进行不同的权重分配，突出了重要信息，减少了冗余信息，极大的提高了故障诊断的性能。

技术领域

本公开涉及机械故障诊断技术领域，特别涉及一种基于多模态数据的三阶段特征融合旋转机械故障诊断方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

随着智能制造的不断发展，工业系统变得越来越复杂和非线性，设备损坏造成的损失也越来越大。早期的故障检测不仅可以在故障造成巨大的经济损失之前排除故障，还可以避免重大安全事故的发生。然而，由于工业系统的复杂性和非线性，很难建立一个精确的模型。由于信息科学技术的不断发展，工业系统产生了大量的运行数据，其中包含了大量有价值的信息。因此，在高集成度的复杂系统中，基于数据驱动的故障诊断方法比基于专家知识的模型搭建方法更有效。

传统的故障诊断和状态监测方法依赖于电流不平衡、过电压等指标，在故障信号微弱、持续时间短的早期阶段，可能无法准确判断和定位故障。在过去的几十年里，传统机器学习(Machine Learning，ML)算法广泛应用于故障诊断，如支持向量机(Support VectorMachine，SVM)、决策树和人工神经网络(Artificial Neural Network，ANN)等。然而，尽管这些智能方法取得了成功，但仍有两个缺点：(1)这些智能故障诊断方法需要与特征提取方法结合使用，导致对特征选择的依赖性很强。此外，特征提取和分类是分开设计的，耗时较长，且无法进行全局优化；(2)这些方法大多属于浅层结构，对于复杂系统来说，难以学习有效的特征表示和非线性映射关系。

由于深度学习(Deep Learning，DL)能够学习深度特征表示和非线性映射关系，因此近年来各领域学者对其展开了大量研究。此外，与传统的故障诊断方法不同的是，DL可以自适应地提取特征并进行全局优化。而卷积神经网络(Convolutional Neural Network，CNN)作为图像识别中最常用的深度学习方法，在故障诊断中也表现出较好的性能。

尽管DL在特征提取方面有良好的性能，但大多数故障诊断方法仅采用单一模态数据。到目前为止，大部分的故障诊断研究仅采用单个信号源，如振动和电流。然而，在复杂工业系统中，采用单个信号源获取高质量的故障信息十分困难。研究表明，与单传感器数据相比，多传感器信号通常包含互补的故障信息。因此，基于数据融合的故障诊断方法可以有效提高故障诊断的准确性和可靠性。根据融合程度的不同，数据融合可分为数据级、特征级和决策级。然而，数据级融合需要高度一致的数据结构，且在决策级融合中，当各分类器存在较大的决策冲突时，最终分类结果将很不稳定。

发明内容

为了解决现有技术的不足，本公开提供了一种基于多模态数据的三阶段特征融合旋转机械故障诊断方法，采用包括一维卷积神经网络和二维卷积神经网络在内的三阶段特征融合方法，对多尺度特征进行融合并进行故障诊断，二维卷积神经网络提取特征映射图谱之间的相关性，注意力机制可以对特征图谱进行不同的权重分配，突出了重要信息，减少了冗余信息，极大的提高了故障诊断的性能。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于多模态数据的三阶段特征融合旋转机械故障诊断方法。

一种基于多模态数据的三阶段特征融合旋转机械故障诊断方法，其特征在于：包括以下步骤：

获取机械运行状态参量数据，得到至少两种模态的数据；