1.基于数据融合和多通道卷积网络的故障诊断方法,其特征在于,具体按照以下步骤实施:步骤1、输入轴承加速度的多源同质传感器数据,通过克里斯插值法,将缺失数据补全,之后计算各数据的贡献率,通过贡献率来将这些数据信号进行融合;
所述步骤1具体如下:
步骤1.1、首先对输入的轴承加速度的多源同质传感器数据进行滤波处理,先对获取的多源同质数据进行高斯滤波处理,得到高斯滤波处理后的多源同质数据;
步骤1.2、采用空间插值法中的克里斯插值法,将不同传感器获得的数据进行数据补全处理,获得多组维度相同的同质数据,通过式(1)计算未知数据点的估计值:(1)
其中,为未知样本点的属性估计值,为所有样本点的均值,为已知样本点的属性值,N为已知样本点在未知样本点附近5个单位点的个数; 表示第个数据点;
步骤1.3、通过步骤1.2得到补全的多源数据计算贡献率,具体方法如下:首先计算数据信号之间的相关性,如公式(2):
(2)
其中,表示第个信号与第个信号之间的相关性,表示信号中的第个数据点,表示所选数据点,表示信号中的数据点的数量;
然后,对得到信号相关性进行定量计算如公式(3):(3)
其中,为信号的相关度,为总的信号数量,表示第个信号,将相关度进行重要性分析,如公式(4)所示:(4)
其中,为信号的信息冗余度,通过计算重要性分析,获取信号信息量的表示,计算重要性分析后的相关度表示的均值与方差,利用均值与方差来计算各个信号的贡献率如公式(5):(5)
其中,表示第个信号贡献率,为重要性分析表示,为重要性分析表示均值,为重要性分析表示方差,归一化方式如公式(6)所示:(6)
其中,为归一化后信号的数据点的贡献率,之后将每个信号的数据点按照时间序列与权重相乘的方式,如公式(7)所示:(7)
其中,为数据点融合后的信号值,对应点线性相加就可以得到经过数据级融合后的信号;
步骤2、对融合后的数据进行归一化处理,输入到多通道卷积网络中,输出故障初步分类决策;
步骤2.1、将步骤1.3计算得到的融合信号先进行降维处理,通过使用主成分分析的方式将融合后多维度信号降到3维,然后对该信号进行归一化表示;
步骤2.2、将步骤2.1归一化表示后的数据分别输入到3个卷积网络中, 3个卷积网络结构相同,每个卷积网络的结构均包括三个卷积层、三个池化层和一个一级全连接层,三个卷积网络的输出汇入到二级全连接层,网络的通道数与数据维度成正比,每个网络的输出为故障类别的概率值矩阵,矩阵为,概率矩阵中每个故障概率范围均为0到1,取概率矩阵中最大的概率所代表的故障就是该概率矩阵得到的初级故障分类决策;
步骤3、对多通道卷积网络的输出进行加权处理,从而得到最终决策。
2.根据权利要求1所述的基于数据融合和多通道卷积网络的故障诊断方法,其特征在于,所述步骤2.1具体如下:首先通过奇异值分解矩阵得到:
(8)
其中,为转置符号,为原数据,取值维度为1796821,为正交矩阵,取值维度为1796821,为对角矩阵,取值维度为2121,为正交矩阵,取值维度为2121,然后将对角矩阵分割为3列,通过公式(9)得到降维后的数据:(9)
其中,为降维后的数据,下标为所设定的维度,为选取的三列对角矩阵,最后再进行如公式(6)所示的归一化操作。
3.根据权利要求2所述的基于数据融合和多通道卷积网络的故障诊断方法,其特征在于,所述步骤3具体如下:步骤3.1、所述步骤2中每个卷积网络都会计算得到一个损失,通过损失制定每个卷积网络输出到二级全连接层的权重影响因子,如公式(10):(10)
其中,表示第个卷积网络的通道权重因子,为第个卷积网络输出的损失大小,为常数,之后对权重影响因子进行归一化计算如公式(11):(11)
其中,为第个卷积网络的通道权重,为总的网络通道数目;
得到归一化后的权重后将步骤2.2中的矩阵与权重相乘后输入到全连接层,得到故障类别的概率,并输出权重最大的卷积网络损失;
步骤3.2、利用步骤2.2得到的概率矩阵与步骤3.1得到的权重对应相乘并输入到二级全连接层中,通过二级全连接层输出得到一个最终故障概率矩阵,矩阵大小为51;
步骤3.3、通过步骤3.2得到的最终故障概率矩阵进行决策分析得到具体的故障类别,轴承数据集中共有5种故障类型分别为:a、内圈故障,b、滚动体故障,c、外圈3点钟位置故障,d、外圈6点钟位置故障,e、外圈12点钟位置故障,对应概率矩阵中的每一行,故障概率均为0到1,利用最终故障概率矩阵中的最大值表示最终的决策分析,均为0则表示无故障。