文摘

在复杂的机械系统,故障诊断,特别是对来自多个传感器的特征提取,仍然是一个挑战。大多数现有特征提取方法倾向于假定所有传感器均匀采样率。然而,复杂的机械系统使用多重速率的传感器。这些方法使用upsampling进行数据预处理,以确保所有信号在同一规模可能会导致一定的时频特征消失。为了解决这些问题,本文提出一种多重速率的传感器信息融合策略(MRSIFS)多任务故障诊断。该方法是基于多维卷积模块整合多源信息融合到卷积神经网络(CNN)的体系结构。特性不同的采样率与原始信号通过多通道并行运行故障诊断的故障特征提取框架。此外,时频分析技术被用来显示故障信息在时域和频域之间的关系。仿真平台的实验结果表明,提出的多任务模型达到更高的诊断精度比现有的方法。此外,手动为每个任务在MRSIFS变得不必要的特征选择,这有可能对一个通用的框架。

1。介绍

在许多复杂的系统,研究人员往往以多源数据以生产过程为深度学习(DL)算法的特点1- - - - - -3]。然而,现有的研究保证所有传感器操作以同样的速度(4),这通常是不切实际的multisampling率信号融合系统。因此,多重速率的传感器信息融合的问题在实际的工业环境和具有重要意义,受到了人们的广泛关注,尤其是在最近的十年(5,6]。

在最近的研究中,一个模型基于卷积的利用能力从源中提取特征信号,取得了良好的性能在多任务故障检测7]。CNN可以有效地从原始信号中提取故障特征与其weight-sharing策略、空间池层,本地连接机制(8,9,在处理周期信号的能力。已经证明,CNN是适合学习潜在的功能隐藏在旋转机械信号由于其能力将周期信号(10]。振动信号的1 d-to-2d转换或1 d回旋的结构,2 d CNN模型已成功应用于故障诊断直接使用原始信号。近年来,一些CNN-based深度学习模型已经开发了机械故障诊断。

为特定的故障检测问题,一些研究人员做了不同的改进基于最初的卷积层,如下:贾et al。11)提出了一个框架称为深规范化卷积神经网络(DNCNN)不平衡故障分类机械克服机械健康状况的不平衡分布的弱点。除了提取潜在的功能隐藏在信号,cnn在深层网络可以检测的本土特色。最近,彭et al。12)提出了一个新颖的深1 d卷积神经网络(Der-1DCNN),其中包括剩余的概念学习和能有效地学习高层和抽象的特性而有效地减轻训练难度和性能下降的问题更深层次的网络。所有这些作品证明CNN是机械数据分析的能力。然而,这些作品要求所有的培训和测试信号CNN必须获得在同一传感器采样频率,这限制了其进一步应用。

此外,1 d CNN的一个主要缺点是检测本地相关不足的信号。在2 d CNN的设计应用到故障诊断算法的多传感器融合系统,一些信号预处理转换程序(13)和时频分析技术是必要的。2 d CNN基于信号处理技术(快速傅里叶变换、短时傅里叶变换、小波变换、等等)有许多成功的应用在机械故障诊断领域。在一些作品中,原始传感器时间序列数据已经被一些预处理的方法,比如频率变换和时频变换之前输入的2 d CNN (14,15]。

虽然研究人员试图结合多传感器信号融合与深度学习,不同的采样率的机械系统的多个组件不被认为是在现有的文章(16,17]。影响传感器的问题已经成为一个迫切需要解决的问题。然而,在上一篇文章中(18),只有原始信号从低速率传感器通过upsampling网络传输。如前所述,现有深度学习模型不能解决多重速率的传感器问题与多个组件在一个复杂的机械系统。

本文旨在开发一个端到端的多重速率的传感器信息融合策略(MRSIFS),这是致力于改善多重速率的采样信号的特性融合。这种策略可以从多重速率的自动提取故障特征的敏感传感器信号故障检测和诊断。具体地说,该战略包括三个连续的阶段:多重速率的传感器特征提取阶段,功能融合阶段,回归阶段。该战略的一个关键优势是不同尺度的故障特性可以自动从不同组件的振动信号通过平行反应在复杂机械系统。正如我们所知,过滤器的不同维度具有不同的频率分辨率。的敏感频率信号可能存在于不同的频段。提出了多维并行卷积内核可以用作过滤器对识别不同的频率分辨率,从而有效地提高原始信号的频域分类信息。因此,它是有效的添加一个多维卷积块(MDCB)多重速率的传感器特征提取层提取不同规模的错分类信息从原始信号。自敏感频段的多维复杂的信号都包含在序列的频率分量信号,结合不同规模的故障特征信号,特征融合层是用于级联处理的故障特征。此外,1 d CNN和款实现低采样率信号特征提取与降维,虽然2 d CNN基于短时傅里叶变换(STFT)提取更高采样率特性(19]。策略结合了三种网络结构的优点,和三个网络的补充功能被忽视的信息另一边。

提出的策略是液压系统状态监测的数据集上进行了测试,可以从加州大学欧文分校的机器学习库(20.]。在实验部分,MRSIFS与现有故障诊断方法的分类精度。比较结果表明,MRSIFS可以从multisampling传感器信号故障特征的提取。我们工作的主要贡献如下:(1)与多重速率的采样的复杂机械系统,设计了多重速率的传感器特征提取层可以提取故障特征的多重速率的传感器和自动熔丝故障特性(2)提高学习能力的故障检测模型从不同频段信号故障特征信息,多维卷积模块被用来学习丰富和补充从并行多重速率的传感器信号故障信息。MRSIFS是一个端到端的深度学习模型,它直接将原始信号作为输入没有耗时的特征选择。因此,它有可能被延伸到其他工业系统(3)对于复杂的机械系统,目前工作的贡献是多任务分类的实现框架,而标签分类的数据集上的现有研究都提出,为每个任务训练模型

本文的其余部分组织如下。部分2论述了相关的理论和提出的框架。并给出了实验结果和讨论部分3。最后,部分4是结论。

2。相关的工作

2.1。端到端多传感器模型

尽管现有的方法基于CNN取得突破性的性能检测和诊断(21- - - - - -23),仍存在一些不足,可以改进:多重速率的信息功能融合可以提取故障敏感和互补功能,不包含在一个单一的传感器信号,从而实现更高精度和复杂机械系统的稳定性24,25]。然而,大多数现有的方法只使用单个传感器,一些研究者尝试多重速率的传感器信息融合诊断。此外,在以前的研究多传感器特征融合,人们常常认为所有传感器都统一的采样率。在[16),四个独立的传感器组的原始AE信号首先通过时频分析预处理技术。然后,特征矩阵转换成灰色图像。最后,灰色图像随后美联储调整转移学习(FTL)不同组件的故障诊断和预测轴承退化程度。在[17],multisequence信号多个传感器采集的数据转换成多通道特性矩阵,和一个并行卷积神经网络(相)旨在融合从转换后的特征矩阵提取故障信息。

除此之外,各种传感器的信号是很难被测量在同一采样率,由于不同传感器之间的复杂的机械系统,设计原则(26- - - - - -28]。因此,多重速率的特征提取问题不可避免地出现在传感器融合的过程复杂机械系统使用多重速率的传感器(29日]。然而,大多数现有的工作领域的CNN使用多传感器特征融合upsampling可能使某些时频特征的消失,除非所有样本率足够接近,从而降低故障诊断的准确性。在多传感器系统与不同的采样率,李et al。18]提出一种改进的基于信息融合框架深黑色的卷积。具体地说,为了避免繁琐的预处理,通过构建模型从源中提取故障特征信号的卷积核大小自适应匹配渠道的数据源。最后,该方法与现有的研究相比,如表所示1。

2.2。现有的基于相同的数据集

已经有一些关于液压系统状态监测的数据集的研究基于时频分析技术和人工特征提取。Helwig et al。31日,32)时域数据转换成频域使用快速傅里叶变换和生成统计特性。然后他们计算功能故障标签相关排名或排序和选择n特性的相关性(CS)的故障分类。普拉卡什和灰质核33还利用统计特性的频域数据和应用XGBoost [34]定义功能重要性(XFI)并选择相关性最高的一半以及深层神经网络分类模型。

这些先前的方法包括几个缺点。首先,提出手工制作的特征选择方法,如CS和XFI,可能遭受利用冗余功能,这将破坏模型的学习。第二,统计特征提取、PCA和其他特性工程方法不适合实时检测。这些技术必须应用到每个新传入的样本,从而消耗更多的时间和计算能力。第三,为了确保质量的特征提取,需要手工设计和合适的功能特点的基础上,不同类型的错误。此外,特征提取通常是计算昂贵的操作,但现有的研究基于UCI数据集的标签分类都提出,火车模型为每个标签。特性的质量直接决定了系统的性能。因此,系统特征提取并不是自动进行的。

上述未决问题,我们提出了端到端深学习模型,直接将原始振动信号作为输入。最后,multilabel分类问题转化为回归预测问题,和准确率高于现有的方法(31日- - - - - -34]。与传统方法依赖手动定义或提取的特征,提出了设计不需要任何额外的专家知识,具有很大的潜力对智能故障诊断的一个通用的框架。因此,它可以很容易地扩展到其他工业系统的解决故障诊断问题。

3所示。方法

虽然最满意的水平的异常诊断准确性报告(20.,32- - - - - -34),其中大部分之前的方法来设计和训练不同的特征提取模型为每个任务。相比之下,多任务模型适用于复杂的机械系统。此外,手动功能选择往往导致浪费计算成本,但现有的研究基于UCI数据集的标签分类都提出,火车模型为每个标签。然而,手工的阶段特征选择是困难和耗时的35]。这个过程会导致相当大的计算成本,最终可能会阻碍在实时故障诊断应用程序中使用现有的方法。MRSIFS模型提出了多重速率的问题转换成一个统一的多维卷积神经网络特征融合策略。与传统方法相比液压系统的状态监测数据集,MRSIFS具有更好的鲁棒性在噪声环境中,不需要预先确定的特征选择。特别是,它提出了一个基于多维卷积神经网络特征提取层和连接特性融合层。最后,多任务分类问题转化为回归预测问题,和准确率高于现有的方法(20.,32- - - - - -34]。

拟议的框架MRSIFS图所示1。输入原始的模型由3段时间振动信号在不同的采样率。输出是一个向量由5个任务的标签,其中每个值代表了预测回归价值的任务。定义的故障检测是预测向量基于从原始时间振动信号故障特征提取使用MRSIFS模型。MRSIFS模型有三个部分:多维卷积特性学习层、连接层的影响特性,和回归层。

3.1。MRSIFS框架

在多重速率的传感器特征提取阶段,由输入层故障特征提取是学习块送入多维卷积特性。卷积的内核层有不同的维度。正如我们所知,卷积内核不同分辨率尺度的不同维度作为过滤器在原始信号中提取故障特征,同时提取输入信号在不同频带的特征。如图2,卷积核的特征维度相结合通过连接层地图形成多重速率的特性。故障信息收集器,连接层可以聚合不同尺度的特征形成多重速率的特性。它可以观察到来自多个传感器的数据转换为多个频道通过输入层,然后,通过特征提取层获得的故障特征和特性融合层顺序。具体地说,该方法的输入层是一个三维矩阵,并预测结果作为输出的多任务模型。滤波器的具体尺寸和其他参数如表所示2- - - - - -4。

3.2。CNN的细节和回归

2 d CNN由六个部分组成,包括STFT,输入层,将采样层,光滑层,upsampling层。将采样层组成预防街区,每一个都包含三个回旋的层。基于双线性upsampling层实现。和平滑层包含一个回旋的层。提取隐藏的故障信号中的信息尽可能downsampling四层,四层光滑,三个upsampling层先后用于数据集的实验模型。被送入输出层的特性和拉直的最后一层的输出作为故障特征提取的二维卷积组件。中提到的2 d CNN模型总结表2。表2描述层的类型,在频道,频道,内核大小,等等。

必须指出在二维卷积组件,我们用卷积网络结构。通过这种方式,虽然深层可以提取故障特征,根据现有的一些研究[30.),深层卷积网络可能会失去一些浅层次的故障特征。本文将采样层,光滑层,和upsampling层用于合作,这样的特性从浅卷积网络中提取可以集成到随后的深层特征信息。提出的网络结构是受36]。

与二维卷积结构相比,一维卷积结构只保留低抽样层的一部分,和一些修改在卷积网络参数设置。款网络块由四个完整的连接层。同样,回归层包括三个完整的连接层,与ReLU激活函数。参数和设计实施DNN和回归层如表所示3和4,分别。每次卷积后层在输入层和downsampling层,在款和完全连接层,批正常化(37)是用于加速MRSIFS的训练过程。

3.3。培训细节

在MRSIFS训练,我们采用预测之间的均方误差(MSE)标签和真正的标签作为损失函数。减少计算开销的训练,亚当算法(38是用来优化模型的参数。关键任务MRSIFS训练是hyperparameters的调整,本文以批量大小和hyperparameters学习速率。批处理大小定义样本的数量在一个批处理。学习速率决定了收敛速度的重量和偏见在神经网络训练。模型训练的学习速率设置为0.001,和批量大小设置为32。为了防止过度拟合,该方法使用辍学技术(39)完整的连接层之间的回归预测阶段。辍学的技术、完整的连接层中的每个参数有一定的概率的随机移除在每个培训时代。在初始化阶段的模型中,所有参数的神经网络初始化均匀分布为标准。特别是,在这个模型中,所有神经元的偏见在初始化时设置为0。此外,所有的原始振动信号是随机模型用于训练模型和测试。具体来说,信号被选为测试样本的20%,剩下的80%是用于测试模型。获得一个相对稳定的实验结果,10 MRSIFS被重复的试验条件,每组的模型有相同的参数。

不同尺度和不同深度的以来(即特征提取层。,pairs of downsampling layers, smooth layer, and upsampling layers), MRSIFS architecture has the advantages of general purpose and flexibility. Furthermore, MRSIFS can effectively learn sensitive diagnostic information by using multidimensional feature extraction structure and capture complementary and useful fault features at different scales for fault diagnosis and detection. As we know, more robust and abstract fault information is expected to improve the diagnosis performance. Therefore, MRSIFS with more scales and layers can extract useful diagnostic features to adapt to the complicated mechanical system. In addition, in practical applications, the simple rate of the input samples and the depth of the layers have a restriction relationship. In MRSIFS, researchers can select the appropriate kernel size and layer depth based on the length of the input signal. More details can be found in III.

拟议中的MRSIFS算法进行火炬1.6.0 + cu101。训练和测试的硬件配置是英特尔(R) MKL-DNN v1.5.0 +泰坦X (Pascal),而软件环境是Python 3.7版本Linux + 3.7.9 [GCC 7.3.0]。

4所示。实验和讨论

4.1。数据描述

提出的策略是液压系统状态监测的数据集上进行了测试,可以从加州大学欧文分校的机器学习库(10]。系统周期性重复恒定负载周期(时间60秒)和措施过程值如压力、体积流量和温度,而条件的四个液压元件(冷却器、阀门、泵和蓄能器)和液压系统的稳定的国旗是定量变化。如表所示5,数据集包含17个传感器的测量信号,包括14个物理传感器组件和3虚拟传感器。每个传感器的测量时间60秒,和采样率范围是1赫兹和100赫兹之间。数据集由2205个样本的采样周期60秒。每个样本包含组件状态标签反映5组件的故障状态。

如表所示6,每个样本的训练结果包括五种类型的标记。因此,本文处理是一个多任务分类的问题。然而,因为每个标记的价值有一个具体的物理意义,因此,多任务分类问题也可以转化成一个回归的问题来解决。提出的数据集的问题是实际使用的回归向量预测5的长度,设置阈值,将回归值转换为最终的分类结果。理想情况下,网络的输出对于任何输入应限于我们给定的范围(例如,贴上液压蓄能器估计只有130年,115年,100年和90年),但实际上,输出值往往在这些值之间。本文选择值和最小绝对值误差预测类标签。

4.2。模型相比

实验的目的是验证MRSIFS在本文提出的更高的分类精度与现有MSFTFI相比,相,FAC-CNN。此外,当MRSIFS卷积混合层深度的变化特征提取,MRSIFS仍具有良好的性能,这表明MRSIFS超级的设置参数不敏感,表明本文提出的战略适应性广。该模型和现有的主要的比较方法如下:(1)MSFTFI: [16),四个独立的传感器组的原始AE信号首先通过时频分析预处理技术。然后,特征矩阵转换成灰色图像。最后,灰色图像随后美联储调整转移学习(FTL)不同组件的故障诊断和预测轴承退化程度(2)相:首先,multisequence信号多个传感器采集的数据转换成多通道特性矩阵,和一个平行的CNN旨在连接从转换后的特征矩阵提取故障信息。相的更多细节可以在[17](3)FA-CNN:研究人员构建一个卷积核的大小自适应匹配的数据源渠道捕捉多尺度数据没有时频分析技术。此外,提取有效的诊断信息融合数据,全球平均水平一维CNN和池方法采用改进的领域适应网络。FA-CNN的更多细节可以在[18](4)MRSIFS:实验相比,MRSIFS测试1到4层测试的深度MRSIFS对诊断的影响性能。另外,提供一个公平的比较,所有比较模型有相同的模型深度MRSIFS提议

使比较公平,提高实验结果的说服力,所有现有的模型提出MRSIFS相同的参数和结构。此外,相同的输入形式,数量的培训、批量大小和参数优化算法都是采用模型。

4.3。诊断结果和性能比较

减少随机性的影响,提高实验结果的说服力,十复制实验的平均精度多任务故障诊断使用不同的模型如图3(一个)。累计实验的标准偏差作为误差,这反映了该方法的鲁棒性。在图中,意思表示的平均精度模型当解决标签分配任务,和标准偏差反映了模型的稳定性。

如图3(一个)在五项任务,提出MRSIFS达到最佳性能(冷却器、阀门、泵、蓄能器和稳定剂)。具体来说,MRSIFS每个标签的故障诊断精度超过97%,所以MRSIFS好多重速率的多任务分类信息提取能力。此外,自MRSIFS标准差在所有任务非常小,该方法具有更好的鲁棒性。相,MSFTFI和FAC-CNN执行好略低于MRSIFS标签冷却器,阀门和泵,但明显表现比MRSIFS标签蓄电池和稳定。此外,如图3 (b),MRSIFS执行比原来的cnn和五款任务。因此,我们可以得出两个好处,第一个优点是MRSIFS执行比原来的cnn。MRSIFS提出的另一个优点是使用多维卷积内核可以提取更多的有用的多尺度断层信息比传统的多传感器特征提取模型。此外,层融合的多尺度特性连接故障特征信息从原始信号中提取不同的采样频率的每个子模型。虽然FAC-CNN,相,MSFTFI可以实现任务出色的表现,冷却器,阀门,泵,他们有低于80%的准确率在其他任务,这表明,现有模型低多重速率的特征提取能力。四种不同模型的收敛性能图所示3 (b)。我们可以看到,该MRSIFS收敛速度比其他模型,可以得出结论,多维级联信号比原始信号可以提供更具体的信息。

显示,现有模式缺乏足够的特征提取能力,损失的四个模型对液压系统的状态监测数据集在图所示4。首先,失去MRSIFS-2(多维卷积特性的深度学习层是两个)收敛于零。然而,失去相收敛于约0.1。其次,超过80时代训练时,MRSIFS-2收敛于零的丧失,而MSFTFI模型需要培训超过110时代获得类似的结果。此外,由于所有标签的原始信号归一化预处理,MRSIFS-2的损失和FAC-CNN高度重叠。进一步探索的有效性提出MRSIFS框架,可以引入对数函数扩大MRSIFS-2和FAC-CNN之间的区别。MRSIFS的对数函数值的损失是一个数量级低于三个现有的模型,说明了提出MRSIFS模型可以学习故障特征和诊断从原始振动信号,强劲的信息,故障区别的能力。因此,它可以证明多维卷积特性学习阶段实际上是由连接信号的诊断信息互补的有用的组件来自多重速率的传感器系统。

它显示了整体精度曲线对MRSIFS MSFTFI,相,FAC-CNN超过150在数字时代5在整个培训过程。如图5与现有的模型相比,该MRSIFS稳定超过95精度训练后50时代。MRSIFS更为适应复杂的机械系统,因为它需要更少的时间进行训练。

4.4。特征可视化通过t-SNE和混淆矩阵

进一步证明多维特征学习可以提高模型的特征提取能力在复杂的机械系统,t-SNE方法(40]采用实现可视化特征图从多维卷积的块。特征映射通过多维卷积的特征提取阶段如图6使用不同的颜色来区分样本的特点与不同的标签类型。只考虑原始数据的分类结果的四个模型,当液压蓄能器作为标签,因为当其他四个液压元件作为标签,分类结果的准确性MRSIFS模型已达到99.5%。

具体来说,对于多任务分类问题,t-SNE用于显示模型的分类效果更好。从图可以看出6(一)其他标签下,样品分为四类,并进一步分为四个类别,每个类别与蓄电池样品标签。然而,在数据6 (b)- - - - - -6 (d)的聚类结果和样品相同的标签类型的特点是更糟糕的是,这表明现有模型无法从多重速率的传感器提取故障特征。相反,提出MRSIFS模型具有良好的域适应性和诊断信息提取能力在复杂工作环境下,它终于可以学习断层歧视功能强劲。

图7给出了概率模型的制作正确的分类和做出错误的概率分类对于一个给定的健康状况。的 - - - - - -轴表示准确的标签, - - - - - -轴表示预测的标签。

4.5。时间消耗

值得注意的是,比较结果更有说服力,所有现有的模型和提出的MRSIFS卷积混合层深度相同。不同模型的训练时间和测试时间对液压系统数据如表所示7。如表所示7;再利用、MRSIFS MSFTFI,都需要耗费时间比原来的cnn,这可以解释为多个参数的引入多维卷积块和导致更多的计算时间。测试时间是决定性因素的性能在线故障诊断和检测模型由于模型离线训练。即使MRSIFS-2需要更多的时间来测试,测试时间的方法对液压系统的数据集是14.2161毫秒,显示了使用可能性MRSIFS-2在线故障检测和诊断。

4.6。讨论深度的影响

卷积的深度层会影响模型的诊断性能基于深度学习。提出MRSIFS模型可以自动调整模型的深度(即。,the number of convolutional layer and pool layer pairs) according to the characteristics of the dataset. This section explores the influence of depth on feature extraction and fault diagnosis. The abstraction level of the feature is determined by the depth of MRSIFS and the scale of the convolution kernel. In complicated mechanical systems, the accuracies of classification results depend largely on the abstraction level of fault features. To test the influence of model depth on fault diagnosis, the accuracy of MRSIFS with one to four layers is recorded and compared with existing models in Figure8。

正如我们所知,提取的特征的抽象级别可以由MRSIFS的深度决定。此外,速度或负载变化和背景噪音可能遭受低级特性获得原始信号。从故障特征的抽象级别可以显著影响分类结果,MRSIFS 1到4层深度的测试本文调查深度诊断性能的影响。结果如图8。在这些实验中,十个复制实验的平均精度为每个条件如图8,累计实验的标准偏差作为误差,这反映了该方法的鲁棒性。图的结论是,对于每一个标记,所有MRSIFS胜过MSFTFI,相,FA-CNN故障诊断精度指标。一般来说,随着深度的增加等于2,MRSIFS可以达到最好的和最可靠的性能。MSFTFI,特别地,对于MRSIFS相,和FAC-CNN自MRSIFS多维卷积内核可以提取更多的有用的和抽象的故障信息,帮助上级分类,分类性能提高而增加深度。随着深度增加,MRSIFS开始的准确性下降。此外,每个条件的标准偏差小于这些现有的模型,特别是MRSIFS第四任务,显示出优良的故障诊断性能比现有的文献。结果证明MRSIFS可以学习更抽象和故障敏感的特性从多重速率的传感器系统。MRSIFS培训和测试的时间消耗在不同卷积层深度进行了计算,结果如表所示7。显然,时间开销优化模型参数随深度增加而增大。因此,为了降低计算成本,MRSIFS特征提取与选择两层。对于复杂的诊断任务在实际应用程序中,可以修改MRSIFS进一步提高性能。

该模型的另一个优点是,复合多变的工业环境,MRSIFS不需要复杂的参数调整过程,可以有效地提取故障信息。因此,模型介绍了是不敏感的神经网络参数的设置。

4.7。MRSIFF的细节

揭示一个多维卷积特性的功能学习层,MRSIFF神经元的演变,了解内核,多重速率的传感器信号级联,每一层的输出MRSIFF显示在本节。从图可以看出9融合多尺度特征信号的长度增加,因为串联信号复杂的内核与不同的维度。此外,融合信号的波形形状被改变了。在图9(一个)信号波的形状,几乎没有区别(慢)的球和正常。然而,在图9 (b)fusion-SWS都完全不同,分类器可以提供更有用的特性。

揭示MRSIFF原始信号变化和分类器的输入,输入的演变在MRSIFF和多层感知器(MLP)的特性如图所示10,分别。从图可以看出10的输出C3(第三卷积层)融合信号的波形相似,他们可以区分明显的四个条件。中的延时特性是由C3的特性,并从图可以看出10之前的特性到分类器是线性可分的,可以提高分类精度。此外,MRSIFF的完全连接特性,MSFTFI,相,FAC-CNN映射到三维特性使用t-SNE如图6。显然,MRSIFF集群的映射特性比其他模型基于CNN即使其他模型可以区分大多数样本。因此,t-SNE MRSIFF误差三种模式中是最低的。

4.8。总结实验结果

本文另一个深卷积结构,提出了有别于传统的CNN结构,只有利用过去卷积功能层。在特征提取阶段,upsampling层结合卷积,卷积层形成化合物,同时保持了全球和地方特色,提高网络容量。在这种结构中,多维卷积层和一个完整的连接层用于从多尺度输入信号中提取特征。连接在这个方法中,提取的特性来提高故障诊断的准确性,因为卷积1 d和2 d之间的接受域卷积是不同的。

拟议的MRSIFS提出,液压系统状态监测的数据集上进行测试。实验结果表明,基于模型的故障诊断性能1 d CNN模型比基于2 d CNN。然而,当1 d CNN, 2 d CNN,款结合,MRSIFS为提高故障诊断的准确性为97 - 99.5%,这表明多维卷积模块可以补充和丰富的故障特征。此外,相同的参数和结构用于MSFTFI相,和FAC-CNN,结果表明,提出的多重速率的传感器信息融合策略的性能远优于所有现有的模型。

与传统的智能故障检测模型相比,该MRSIFS具有更好的性能在特征提取和检测精度。因此,该方法优于现有方法。

4.9。功能工作

在未来,正常样品远远超过故障样本由于断层对机械系统造成破坏,和现有的研究方法假设原始信号数据集有足够的平衡样本类型。因此,有必要开发一个故障诊断模型结合生成对抗网络(甘),为实际工程环境具有重要意义,也是作者在未来的研究方向。

5。结论

介绍了多重速率的传感器信息融合策略(MRSIFS)。该方法是基于多维卷积块和时频分析技术,实现多通道并行故障特征提取和特征与不同的采样率从原始信号用于故障诊断。影响传感器特征提取是一种新型的多任务特征提取单元使用多维卷积块和亚当损失函数,大大提高了特征提取能力。最后,仿真平台的实验结果表明,提出的多任务模型达到更高的诊断精度比现有的方法。此外,手动为每个任务特征选择在MRSIFS是不必要的,这有可能对一个通用的框架。主要结论可以列出如下:(1)多个卷积的分层学习结构块可以用来有效地学习先进的故障特征(2)获取故障敏感和补充检测特性,提出了一种多维卷积特征提取模型适应在不同的采样频率信号来源(3)提出了战略的另一个有价值的特性是能够直接处理原始传感器数据,从而提供一个端到端的模型同时进行特征提取和分类

数据可用性

液压系统状态监测的数据集可以从加州大学欧文分校的机器学习库https://archive.ics.uci.edu/ml/datasets/Condition +监控+ +液压系统。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准号61976047)和中国的四川省科学技术厅(批准号2021 yfg0331)。