[发明专利]基于数据融合和多通道卷积网络的故障诊断方法

说明书

本发明公开了一种基于数据融合和多通道卷积网络的故障诊断方法，首先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；然后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；最后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。本发明利用多通道卷积网络对数据特征趋势有着很好的提取效果，并且解决了现有技术中存在的传统故障诊断方法对于多源数据使用不当的问题。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于数据融合和多通道卷积网络的故障诊断方法。

背景技术

在不断发展的故障诊断领域，为了提高故障诊断方法的准确率，多传感器系统已经逐渐成熟，多源传感器数据质量对故障诊断系统决策的充分性与准确性有着决定性的作用，然而在获得高质量多源数据时，难免会遇到数据缺失，存在伪数据，数据量过大等问题，如何有效的使用多源数据，提高故障诊断的准确率，就需要建立合理的数据处理方式，因此，与数据融合方法相结合的故障诊断研究在近些年来得到广泛的重视。

发明内容

本发明的目的是提供一种基于数据融合和多通道卷积网络的故障诊断方法，利用多通道卷积网络对数据特征趋势有着很好的提取效果，并且解决了现有技术中存在的传统故障诊断方法对于多源数据使用不当的问题。

本发明所采用的技术方案是，基于数据融合和多通道卷积网络的故障诊断方法，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；

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。

本发明的特点还在于，

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：

其中，H(z_o)为未知样本点z_o的属性估计值，c为所有样本点的均值，h(z_i) 为已知样本点z_i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；i表示第i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)：

其中，R_i,j表示第i个信号与第j个信号之间的相关性，x_i(t₀)表示信号i中的第t₀个数据点，t表示所选数据点，n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)：

其中，E_i为信号i的相关度，m为总的信号数量，j表示第j个信号，将相关度进行重要性分析，如公式(4)所示：