基于多源异构信息融合的机械故障诊断方法

针对振动信号或红外图像等单类型传感器信息难以准确表征机械设备的健康状态,存在诊断不确定性的问题,提出基于改进卷积神经网络(CNN)的多源异构信息数据级融合诊断方法.首先采用变分模态分解(VMD)和希尔伯特变换(HT)方法将振动信号处理成与红外图像同维的时频图像,并将其与红外图像进行数据级融合,得到多通道融合信号,然后将该信号输入到多通道卷积神经网络中进行训练以构建融合诊断模型,最后通过转子系统故障诊断实例验证了所提方法的正确性.研究结果表明:CNN、SAE和DBN等特征学习方法可以自适应逐层提取特征,提取的特征包含更多有用的诊断信息,优于人工提取特征;多源异构数据对不同故障类型敏感性不同,具有互补性,融合诊断正确率更高,可实现对设备健康类型更精准的判断;多源信息融合诊断方法可以很好地保留原始输入信息,对实验室转子系统故障实现精确诊断;该方法可以减少数据需求量,在小样本背景下具有良好的诊断性能;该方法对噪声敏感性低,在噪声环境下具有较好的鲁棒性和抗噪性.研究结果可为旋转机械的故障诊断提供一定的参考.