一种基于多源信息融合的智能故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657537A(43)申请公布日2021.11.16(21)申请号202110976961.6G01M13/021(2019.01)(22)申请日2021.08.24G06K9/00(2006.01)(71)申请人西北工业大学地址710068陕西省西安市友谊西路127号(72)发明人李永波杨玉龙乔彬王欣悦李霓布树辉邓子辰张凯贾思详孙丁一(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223代理人张举(51)Int.Cl.G06K9/62(2006.01)G06N3/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于多源信息融合的智能故障诊断方法(57)摘要本发明公开了一种基于多源信息融合的智能故障诊断方法，涉及故障诊断技术领域，诊断时先获取目标诊断部位的红外图像和振动信号，对故障诊断对象的红外图像和振动信号进行归一化处理，选取CNN网络作为深度学习的模型，分别得到基于红外图像和振动信号的诊断结果，采用粒子群PSO算法进行样本训练，将红外图像和振动信号的决策进行融合，得到准确度和可迁移度更高的模型，实现对目标的准确诊断。CN113657537ACN113657537A权利要求书1/2页1.一种基于多源信息融合的智能故障诊断方法，其特征在于，包括以下步骤：获取故障时故障诊断对象的红外图像和振动信号；按照故障类别设定故障标签，将故障标签与对应故障类别的红外图像、振动信号组合形成若干组故障信息；采用若干组故障信息训练CNN深度学习网络；将红外图像和振动信号输入CNN深度学习网络，生成基于红外图像和振动信号的特征矩阵；将特征矩阵输入逻辑回归分类器进行分类，得到红外图像分类结果和振动信号分类结果；采用粒子群PSO算法，获取红外图像和振动信号的权重，所述CNN深度学习网络按权重迭代处理红外图像分类结果和振动信号分类结果，对照若干组故障信息，将对应同一故障标签的红外图像和振动信号进行融合，根据融合结果得出故障诊断结果。2.如权利要求1所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，所述采用粒子群PSO算法，获取红外图像和振动信号的权重的步骤为：利用粒子群PSO算法将红外图像分类结果中的红外图像乘以范围是(0,1)的列向量ω1作为红外图像的权重，将振动信号分类结果中的振动信号乘以列向量(1‑ω1)，并将其设为振动信号的权重。3.如权利要求1所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，所述故障诊断对象为齿轮箱。4.如权利要求3所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，所述获取故障时故障诊断对象的红外图像和振动信号的步骤为：设定故障诊断对象数据采集时的转速为3000r/min，温度为20摄氏度；采用红外热成像仪实时观察红外图像的最高温度，当最高温度达到20摄氏度时，所述红外热成像仪进行红外图像的采集；设置振动传感器的采样频率为20KHZ，采集振动加速度信号。5.如权利要求1所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，还包括：对所述故障诊断对象的红外图像和振动信号进行预处理，所述预处理步骤为：对红外图像的像素灰度值进行归一化处理，并对处理结果随机添加椒盐噪声；将振动信号归一化处理为正态分布。6.如权利要求1所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，所述CNN深度学习网络生成基于红外图像的特征矩阵，包括：所述CNN深度学习网络将红外图像分为RGB三个通道，用四个核尺寸为3×3的卷积核依次对三个通道内的红外图像进行卷积，并将各自的卷积结果内部相加，得到100×100×4的图像；将100×100×4的图像输入核尺寸为2×1的池化层进行池化；池化后用四个核尺寸为3×3的卷积核进行池化后图像的卷积相加，得到25×25尺寸的第一特征图；进行第一特征图的池化，得到6×6×4的第二特征图；用核尺寸为3×3的卷积核进行第二特征图的卷积，得到6×6×4的第三特征图；2CN113657537A权利要求书2/2页对第三特征图进行归一化处理，将归一化图像输入核尺寸为2×2的卷积核进行最终池化，得到大小为2×2×4的红外图像最终特征图。7.如权利要求6所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，将所述红外图像最终特征图输入所述CNN深度学习网络中具备10个输出的全连接层，输出结果再输入具备5个输出的全连接层。8.如权利要求1所述的一种基于多源信息融合的智能故障诊断方法，其特征在于，所述CNN深度学习网络生成基于振动信号的特征矩阵，包括：向所述CNN深度学习网络输入大小为1×2048×1的单通道振动信号，使