基于多传感器数据融合的互异网络轴承故障诊断方法

• Published in: 计算机工程与应用 Vol. 61; no. 5; pp. 323 - 333
• Main Authors: 赵小强, 李森
• Format: Journal Article
• Language: Chinese
• Published: 兰州理工大学 电气工程与信息工程学院,兰州 730050 01.03.2025; 兰州理工大学 甘肃省工业过程先进控制重点实验室,兰州 730050; 兰州理工大学 国家级电气与控制工程实验教学中心,兰州 730050%兰州理工大学 电气工程与信息工程学院,兰州 730050
• Subjects: 互异网络; data fusion; heterogeneous networks; 滚动轴承; 特征互补; fault diagnosis; 故障诊断; multi-sensor; complementary features; rolling bearing; 多传感器; 数据融合
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2406-0294

TP183; 为了解决单传感器单一分支网络的输入容易受到外界干扰以及在不同域信号转换过程中丢失特征信息,导致故障诊断效果不佳的问题,提出了基于多传感器数据融合的互异网络轴承故障诊断方法.设计了数据预处理模块,以数据级的融合方式实现来自多传感器的多角度故障特征互补,充分考虑了轴承设备多传感器之间的相关性.同时,将经过快速傅里叶变换(FFT)和频率切片小波变换(FSWT)处理后的信号融合为多域信号作为模型的输入,以多域信号独立作为模型输入的形式确保不同域信号在转换过程中关键的特征信息不会丢失.该方法针对不同的域信号设计了相对应的互异网络结构对多传感器数据高维非线性空间中的低维特征关键提取,这也为设备维修人员提供了更加可靠方便的维修手段.当其中一个分支网络的输入受到外界干扰时,另外两个分支网络会起到纠错的作用,不仅增强了网络的容错能力,同时也会增加网络的特征互补能力.利用记忆单元将特征视为不同的时间步,以此建立不同故障特征之间的依赖关系.为了防止模型陷入局部最优,使用适配于所提模型的学习率余弦退火算法优化模型训练.在两个轴承数据集上进行实验,结果表明,该方法拥有好的故障诊断效果和泛化能力,可以满足基于多传感器数据融合的轴承故障诊断任务.