(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211145184.1 (22)申请日 2022.09.20 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 余建波　苗梦奇　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 卢泓宇 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 基于多源异构数据的转子故障诊断方法及 装置 (57)摘要 本发明提供一种基于多源异构数据的转子 故障诊断方法及装置， 属于深度学习领域。 采用 的技术方案先后包括如下步骤： 首先搭建转子测 试台， 采用CD磁电式速度传感器采集振动信号， 采用Fotric626型红外热像仪采集热图像数据； 然后对多源异构数据进行预处理， 包括数据集划 分及数据标准化处理； 接着搭建多源异构特征提 取网络， 该网络由多层卷积及特征交互模块堆叠 构成， 在此基础上构建全局特征融合模块， 实现 浅层特征与深层特征的融合处理； 最后构建转子 故障分类器， 实现转子故障诊断。 实验结果表明， 该方法及装置故障诊断结果精度较高， 可以准确 地实现转子故障分类 。 权利要求书2页 说明书10页 附图4页 CN 115510902 A 2022.12.23 CN 115510902 A 1.一种基于多源异构数据的转子故障诊断方法， 其特 征在于， 包括以下步骤： 步骤S1， 搭建转子测试台， 并利用该转子测试台采集转子故障数据， 其中， 所述转子测 试台包括至少两个不同类型的传感器， 所述故障数据为多源异构数据； 步骤S2， 对 采集得到的所述多源异构数据进行 预处理， 得到训练数据； 步骤S3， 搭建多源异构特 征提取网络， 其包括深度特 征交互网络和全局特 征融合模块； 步骤S4， 基于所述多源异构特 征提取网络， 构建转子故障分类模型； 步骤S5， 利用所述训练数据训练所述转子故障分类模型， 并利用训练好的所述转子故 障分类模型获取转子故障诊断结果。 2.根据权利要求1所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 所述转子测试台包括轴承座、 轴向摩擦座、 负载盘、 联轴器、 驱动电机、 转轴、 速度 传感器以及热图像采集仪， 所述速度传感器用于采集 转子的振动信号， 所述热图像采集仪用于采集所述 转子的热图像数据。 3.根据权利要求2所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 所述速度传感器为CD磁电式速度传感器， 所述热图像采集仪为Fot ric626型红外热像采集仪 。 4.根据权利要求2所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 步骤S1中， 采集的所述 转子故障数据包括8种故障状态的数据， 8种故障状态包括： 两级轴承座松动状态、 两级轴向碰摩状态、 两级不对中状态以及两 级不平衡 状态， 步骤S1中， 还 采集所述 转子健康状态的数据。 5.根据权利要求2所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 步骤S2中， 针对所述振动信号， 将所述振动信号按预定比例划分为训练用振动数据及测试用振动 数据， 对所述训练用振动数据进 行标准化处理， 对 所述测试用振动数据， 按照所述训练用振 动数据的最小值及最大值进行数据标准化处理， 在数据标准化后， 将所述训练用振动数据 以及所述测试用振动数据按预定长度划分为多段数据， 从而 形成所述振动信号的训练集和 测试集， 针对所述热图像数据， 对图像区域进行裁剪， 使图像宽度、 高度为预定宽度、 预定高度， 同时裁剪区域包含所述转子测试台全貌， 然后 将裁剪后的所述热图像数据按 预定比例划分 为训练用图像数据和测试用图像数据， 对所述训练用图像数据， 对彩色图像进行标准化处 理， 对所述测试用图像数据， 按照所述训练用图像数据的最小值及最大值进行数据标准化 处理， 从而形成所述热图像数据的训练集和 测试集。 6.根据权利要求1所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 步骤S3包括以下子步骤： 步骤S3‑1， 构建分组平铺 及分组全连接层， 用于实现所述热图像数据的一维化； 步骤S3‑2， 构建全连接层， 用于实现所述振动信号的一维化； 步骤S3‑3， 构建多层卷积层， 分别用于提取振动信号特 征及红外热图特 征； 步骤S3‑4， 构建特征交互模块， 用于提取所述振动信号特征及所述红外热图特征的公权　利　要　求　书 1/2 页 2 CN 115510902 A 2有特征及各自的私有特 征； 步骤S3‑5， 将所述卷积层和所述特 征交互模块多次堆叠构成所述深度特 征交互网络； 步骤S3‑6， 在所述深度特征交互网络基础上， 搭建全局特征融合模块， 实现浅层特征与 深层特征的融合分析， 得到所述多源异构特 征提取网络 。 7.根据权利要求6所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 步骤S4中， 在所述深度特征交互网络和所述全局特征融合模块基础上搭建所述 转子故障分类模型， 其由两层全连接层构成， 并在最后通过Softmax实现转子故障分类。 8.根据权利要求6所述的基于多源异构数据的转子故障诊断方法， 其特 征在于： 其中， 步骤S5中， 所述 转子故障分类模型的训练过程包括如下子步骤： 步骤S5‑1， 初始化模型参数； 步骤S5‑2， 将所述多源异构数据输入所述转子故障分类模型， 获取所述振动信号、 所述 热图像数据各自形状重塑后的特 征； 步骤S5‑3， 获取所述振动信号、 所述热图像数据各自卷积层输出 特征； 步骤S5‑4， 获取所述振动信号、 所述热图像数据经所述特征交互模块处理后各自的特 征； 步骤S5‑5， 重复步骤S5 ‑3、 步骤S5 ‑4直到最后一个所述特 征交互模块处 理结束； 步骤S5‑6， 获取所述转子故障分类模型输出的分类结果； 步骤S5‑7， 根据所述分类结果， 计算故障识别误差并将该误差反向传播更新所述模型 参数； 步骤S5‑8， 重复步骤S5 ‑2至步骤S5 ‑7， 直至达到预定的迭代次数， 在所述转子故障分类模型训练结束后， 将所述模型参数保存， 并用于在线故障诊断。 9.一种基于多源异构数据的转子故障诊断装置， 其特 征在于， 包括： 转子测试台， 用于采集转子故障数据， 其中， 所述转子测试台包括至少两个不同类型的 传感器， 所述故障数据为多源异构数据； 数据预处 理模块， 用于对 采集得到的所述多源异构数据进行 预处理， 得到训练数据； 特征提取网络构建模块， 用于构建多源异构特征提取网络， 其包括深度特征交互网络 和全局特 征融合模块； 故障分类模型构建模块， 用于基于所述多源异构特征提取网络构建转子故障分类模 型； 故障分类模型训练模块， 用于利用所述训练数据训练所述 转子故障分类模型； 故障分类模型存储模块， 用于存储训练好的所述转子故障分类模型， 该模型用于对转 子进行故障分类诊断。权　利　要　求　书 2/2 页 3 CN 115510902 A 3