[发明专利]一种滚动轴承多模态信息多级融合监测方法及系统

说明书

本发明提供了一种滚动轴承多模态信息多级融合监测方法及系统；该方法在不改变轴承原有结构的前提下，获取轴承运行时的振动、声音、温度、转速多模态信号，并将原始信号数据输送至在上位机部署的多模态多级融合监测模型，通过对原始信号数据进行数据级融合、特征级融合以及决策级融合的多级融合，以准确地确定当前轴承工作状态；本发明实现了轴承多模态信息的采集与利用，解决仅单一振动信号监测方法对滚动轴承精度下降与微弱故障不敏感的问题，最大程度保留了用于轴承监测诊断的有用信息，因此有着更高的准确性与稳定性，克服现有多模态信息融合监测方法存在的信息未被充分利用问题，在轴承监测技术领域有着重要意义。

技术领域

本发明涉及轴承监测技术领域，特别涉及一种滚动轴承多模态信息多级融合监测方法及系统

背景技术

滚动轴承是机床、仪器设备等高精装备的关键部件，其一旦出现性能衰退或者是故障，小则影响加工质量，大则引发严重事故，造成经济损失与人员伤亡。因此，有必要对滚动轴承进行实时状态监测。模态的含义是信息的来源或形式，比如轴承的故障信息通过振动、声音、温度等被感知，以上每一种物理量都可称之为模态。现有的轴承监测方法通常采用单种模态信号来监测的方式，比如单一使用振动信号进行监测。相关研究表明，温度、运行中的声信号等不同模态的信息往往对轴承服役期间的故障及磨损造成的精度下降等更为敏感，因此，除了振动信号外，有必要同时利用这些模态的信息进行信息融合，从而提高滚动轴承监测性能。

信息融合可分为三个层次：(1)数据级融合、(2)特征级融合与(3)决策级融合。其中数据级融合多用于相同模态信号，其虽然蕴含信息丰富，但需要处理数据量大，不利于实时处理，因此很少被用于轴承监测诊断中。目前，基于多模态信息融合的监测诊断方法大多采用特征级融合方法与决策级融合方法。特征融合方法例如专利CN 113469281 A中所述，通过CNN网络提取红外图像特征，通过CNN网络和双向LSTM网络提取振动信号特征，然后将二者特征进行拼接组合，从而实现不同来源的信息融合，来提高监测诊断的准确率。决策融合方法例如专利CN 108446458 A中所述，用DS证据理论组合规则将各种模态信息提取出来的特征生成的基本概率分配函数加权融合，从而实现决策融合监测诊断。

然而，现有多模态信息融合监测方法存在多模态信息未被充分利用的问题。多数算法采用的特征融合与决策融合都是较高层级的融合方法，并未充分利用海量的原始数据，难免造成一些有用信息丢失从而一定程度影响最终监测结果，其中决策融合丢失的数据量最大。

随着软硬件技术的发展，直接处理海量原始数据也成为可能。在这样的背景之下，有必要发明一种充分利用多模态信息并结合各种三种信息融合方式优点的轴承融合监测方法，从而实现滚动轴承准确高效的实时状态监测。

发明内容

为了解决现有技术中存在的问题，本发明提供一种滚动轴承多模态信息多级融合监测方法，首先，通过将多种采集不同模态信息的传感器集成并内嵌到设备内部或安装在设备表面来获取滚动轴承运行过程中的多模态信息；接着，各个传感器采集的多模态信息可以通过有线或者无线方式传输到本地客户端或者服务器端进行处理；最后，由多模态信息多级融合监测算法计算得出轴承的健康状况。

为了实现上述目的，本发明采用的技术方案是：一种滚动轴承多模态信息多级融合监测方法，包括以下步骤：

获取滚动轴承N_m种模态的信号，所述信号包括滚动轴承振动、声音、温度以及转速；

将N_m种模态信号进行预处理，分别得到声强数据、振动数据、温差数据以及转速数据，然后将声强数据、振动数据、温差数据以及转速数据按模态维度融合；融合后的数据经过第一特征提取网络提取特征，得到轴承属于每一种健康状态的概率l₁；