[发明专利]面向轴承故障诊断的多源多域信息熵融合及模型自优化方法

权利要求书

1.一种面向轴承故障诊断的多源多域信息熵融合及模型自优化方法，其特征在于：包括如下步骤：

一、基于异源传感器下多场景域时空特征融合策略HSMSF的轴承故障分类器构建：

(1)首先从轴承部件的多个角度出发，利用异源传感器来收集多个时间尺度中的序列信号，并将采集得到的数据映射入高维域中，具体如下：

将一维信号样本映射入高维空间，即通过多种编码方式使其以二维图像形式呈现，数据样本高维映射共有时域映射TD、连续小波变化时频域映射CWT、格拉姆角场域映射GAF、马尔可夫过渡场映射MTF、递归图域映射RPF五种方式：

①CWT是将信号变换到时间频率域，设信号x(t)∈L²(R)，则有小波基变换函数如式(1)所示：

式中式中s为尺度参数，τ为平移参数；

②GAF则是将时间序列在极坐标系统内进行编码，展现样本的不同信息粒度，在格拉姆矩阵中的每个元素实际上是角度的三角函数值，通过考虑三角函数的和或差运算的不同，衍生出两种不同的实现方式，即格拉姆角和场域GASF与格拉姆角差场域GADF，变换表达函数如式(2)与(3)所示：

式中为转换后的极坐标序列，I为单位行向量[1,1,…，1]；

③MTF是基于一阶马尔科夫链的变体，转换时会优先考虑序列样本的时间位置关系；长度为n的信号序列x(t)将会被映射到每个对应的值域q_j中，由q_j结合每个样本紧邻的频率w_ij构建出相应的转移矩阵，继而由式(4)转换得到马尔科夫变迁域图像：

④RPF用于分析信号序列周期性、混沌性以及非平稳性，变换函数表达式如式(5)所示：

式中Θ为Heaviside函数，ε为递归阈值；

(2)以多通道级联方式重构初始信号特征的多域融合空间，具体为：考虑不同域在特征空间的关联与互补性，由基础CNN在单域上对故障的诊断表现选取对相应数据集故障信息表征能力较强的两类域，同时，根据相异域空间的复杂度大小，将两类域数据以不同分辨率大小形式在CNN前后不同时间以及位置节点处输入，卷积过程中借助CNN的多核特性，利用多通道级联方式进行多域故障特征信息显著性叠加，构建出伴随有时间特性的多域故障特征融合空间，设信号i映射为上述两个较优域的数据矢量s^k(i)与c^k(i)，则对于基础CNN结构中预设的M个数据通道有式(6)：

式中m为(1,M)区间内的整数，即表示相异域数据的通道占比，根据其映射域的空间复杂程度进行动态调整；对于特征较复杂的域，为充分利用其表征出的信息，需以大分辨率在网络较前端将其输入；选取综合评定性能较优的两类域，这两类数据输入至网络时，特征较复杂的域将比另一类提前一个卷积层输入，且分辨率大小设置成另一类的两倍，基于此设定其通道占比为2/3，若求得通道值不为整数时应向下取整；

(3)卷积池化操作：

在最后的卷积块后加入一层全连接层进行数据降维，剔除掉不同域间的冗余信息，在相异域空间特征的拼接上采用stack形式，将两类域降维后的数据拼接为二维矩阵形式，与样本数量联立为三维立体块后作为输入传至LSTM层；

(4)LSTM层：

首先在LSTM层配备了门控机制，防止多个时间步长内特征单元内容被篡改，学习多个域之间的长期依赖特征，处理CNN层未曾发掘的全局特性；对上述拼接后的数据块拥有解空间能力，期间利用交叉熵损失算法将训练误差反向传播逐层逐步更新模型参数，更新至最优时即可拆解下拥有时空表征能力的故障特征，之后放入至Softmax函数进行概率值求解；因此对于u组异源传感器，则有u组输出概率值与之对应；为确保诊断模型的稳定性与分类准确度，对于u组值则采用自适应熵值加权融合方式进行决策级融合，具体如下：

u组输出概率值则可构建异源传感器组的概率输出矩阵为：

式中，每一行代表一组传感器数据x最终的诊断预测概率值，n表示故障类别数；分析有若每组传感器得到的概率值差别越小，则分类的不确定性就越大，如果最大概率值与其他概率值的差别越大，则分类结果越可靠，故利用如式(8)所示的信息熵H_i(x)来表征分类的不确定性；

式中p_ij(x)表示第i个传感器组的分类预测值将原本判别为属于j的概率；之后根据每组传感器的信息熵值大小据式(10)给定自适应融合权重；并结合式(9)概率输出矩阵P(x)得到如式(7)所示的最终概率输出矩阵P'(x)；最后，据式(11)将其按列加权求和所得到的最大值标签即为最终结果：

二、基于混沌精英改良麻雀搜索算法CEI-SSA的特征提取器模型自适应寻优：

(1)初始化麻雀种群：

采用混沌序列初始化，结合混沌算子具有随机性与规律性的特点，采用Tent映射产生混沌序列来初始化种群，Tent映射表达式如式(12)：

当i＝1时，式(12)可产生一个D维的混沌个体，继续迭代至i＝m时，则会产生m个D维向量的个体，即生成了由混沌初始化后的种群d＝1,2,…D；

(2)初始化特征提取模型：生成由混沌初始化的种群后需将混沌个体转换到对应的搜索空间中，转换式如式(13)所示，X_ub,d、X_lb,d为个体的上下边界：

(3)使用算法选择需要确定的模型参数，生成精英反向解，选择优秀个体：

精英个体为一般个体对应的极值点，即i＝1,2,…,N；d＝1,2…D，则其反向解定义方式如式(14)：

式中，δ是区间[0,1]的随机值，lb_d＝min(X_id)，ub_d＝max(X_id)，lb_d和ub_d分别为动态边界的下界与上界，当越界时，则利用式(15)的重置方程将其重置：

将每只麻雀的19个维度分别对应于特征提取器中CNN层的18个待定参数以及LSTM层的1个待定参数：四个卷积层中卷积核尺寸Ck_s_1、Ck_s_2、Ck_s_3、Ck_s_4，四层卷积核个数channel_1、channel_2、channel_3、channel_4，卷积层中四个激活函数Act_1、Act_2、Act_3、Act_4，除第三层外其他三层的池化方式pool_1、pool_2、pool_4，LSTM层隐藏单元个数Hid_s，学习率L_rate、优化器Op、批次大小Batch；其中，除激活函数、池化方式、学习率外的11个待定参数由于信息的整数规划问题，需要对其第一位小数进行取整操作；根据经混沌初始化后各麻雀位置信息建立特征提取器模型；

训练初始特征提取器模型并利用式(16)计算它在测试集上的预测误差；式中y(i)代表预测标签，t(i)为真实标签，batch为批量大小，求取出的f作为CEI-SSA中的适应度函数进行种群更新，最优个体信息会被用来建立最终的特征提取器模型：