基于多传感器信息融合的旋转机械智能诊断方法研究.pdf

哈尔滨工业大学工程硕士学位论文

摘要

随着科技水平的日新月异，机械设备正朝着规模化、自动化、复杂化的方

向发展。旋转机械是机械设备的关键部件，一旦出现问题可能会导致相邻部件

或整机故障，从而造成巨大的经济损失甚至人员伤亡，因此开展旋转机械故障

诊断技术的研究对于提升机械设备的可靠性和安全性具有重要意义。目前旋转

机械故障诊断工作大多基于单传感器数据开展，而实际工业应用中单传感器数

据所蕴含的信息不能全面反映旋转机械设备的状态特征，且容易出现由噪声等

外界因素干扰导致故障诊断准确率低的问题。本课题以旋转机械为研究对象，

从数据级、特征级和决策级三个层面研究基于多传感器信息融合的旋转机械故

障诊断方法，提升旋转机械故障诊断的准确率和噪声抑制能力，主要研究工作

如下：

在多传感器信息数据级融合层面，提出了一种基于改进模糊支持度融合和

全局平均池化宽核多尺度卷积神经网络的旋转机械故障诊断方法。采用完备自

适应噪声集合经验模态分解重构算法降低传感器数据采集过程中潜在干扰因素

的影响，构造基于改进模糊支持度的融合算法实现多个重构数据的融合，设计

了全局平均池化宽核多尺度卷积神经网络，实现融合数据的特征提取与故障识

别。实验结果表明所提方法能够提升传感器的数据质量，并且故障诊断准确率

高于领域内现有数据级融合的故障诊断方法，可以提升旋转机械设备的可靠性

和安全性。

在多传感器信息特征级融合层面，提出了一种基于并行多尺度注意力卷积

神经网络的旋转机械故障诊断方法。设计空洞宽卷积层对带噪声信号进行稀疏

采样，提取信号的短时特征；构造多尺度结构捕获信号的多样性特征信息，通

过并行输入机制实现了多传感器信息特征级拼接；利用通道注意力机制自适应

矫正不同通道特征的重要程度，实现特征融合，采用全局平均池化替换传统全

连接层，减少参数数量，提高模型的运行效率。实验结果表明所提方法的故障

诊断准确率和噪声抑制能力优于该领域的现有方法，可以提升旋转机械设备的

可靠性和安全性。

在多传感器信息决策级融合层面，提出了一种基于一致性类别加权软投票

的旋转机械故障诊断方法。采用具有噪声抑制能力的深度学习网络模型作为基

分类器，获取单传感器数据的预测标签；设计一致性类别加权软投票的决策融

合策略，在关注基分类器对每种故障类别的识别能力差异的同时，还兼顾不同

基分类器对同一类别的识别能力差异，并结合预测标签的概率分布，实现旋转

I

哈尔滨工业大学工程硕士学位论文

机械多传感器信息的决策融合。实验结果表明所提方法的故障诊断准确率和噪

声抑制能力优于该领域现有决策融合方法，可以提升旋转机械设备的可靠性和

安全性。

关键词：旋转机械；故障诊断；数据级融合；特征级融合；决策级融合

II

哈尔滨工业大学工程硕士学位论文

Abstract

Withtherapiddevelopmentofscienceandtechnology,mechanicalequipment

isdevelopingtowardsthedirectionofscale,automationandcomplexity.Rotating

machineryisakeycomponentofmechanicalequipment,oncetheproblemmaylead

toadjacentcomponentsorthewholemachinefailure,resultinginhugeeconomic

lossesandevencasualties,sotocarryouttheresearchofrotatingmachineryfault

diagnosistechnologyforimprovingthereliabilityandsafetyofmecha