多源信息融合：数据层融合+特征层融合的故障诊断模型！

多源信息融合的滚动轴承故障诊断是一种结合来自多个传感器或信号源的信息，以提高故障检测和诊断准确性的方法。

（1）数据层融合：将原始数据的直接融合。 其输入是由多个传感器提供的各种类型的原始数据，其输出为特征提取或者局部决策的结果。

• 优点：可以从其它融合层中没有的原始 数据中提取更多细节。
• 缺点：较繁重的计算负担、 较差的实时性能以及需要良好的容错能力来处理传 感器数据本身的不稳定性和不确定性，且仅适用于同类传感器的原始数据融合。

（2）特征层融合：提取数据源的特征信息， 进行分析和处理，保留足够的重要信息，为后期决策分析提供支持。

• 优点：提取原始数 据信息特征后，减少了待处理的数据量，提高了实时性。

（3）基于CNN、LSTM、Transformer的特征层融合诊断模型：

• CNN用 1D 卷积提取时序局部特征；。
• LSTM用循环结构，捕捉全局时序依赖；
• Transformer用自注意力机制捕捉长距离特征；
• 三路特征拼接后融合，再送入全连接分类器。

1 多源轴承故障数据的预处理

1.1 导入数据

东南大学数据集主要分为轴承数据集和齿轮箱数据集，每个故障类型均对应这个两种工况（转速20Hz（1200rpm）-负载0V(0Nm) 和转速30Hz(1800rpm)-负载2V(7.32Nm)）分别对应着gearset和bearingset文件夹。轴承数据集（5种类型）：

• 滚珠故障（Ball fault）
• 内圈故障（Inner ring fault）
• 外圈故障（Outer ring fault）
• 复合故障（Combination fault on both inner ring and outer ring）
• 正常运行（Health woring state）

我们以5分类轴承数据集进行预处理讲解，

数据集为8通道！

1.2 数据集预处理

现在把设置样本的两个参数固定 ：

   - 样本窗口大小：W = 1024

   - 重叠率：overlap = 0.5

通过滑动窗口制作数据集，并按照7：2：1均匀划分训练集、验证集、测试集，最后保存数据，划分完成的数据集分布情况如下：

2 基于CNN-LSTM-Transformer的特征层融合的故障诊断模型

2.1 定义CNN-LSTM-Transformer分类网络模型

2.2 设置参数，训练模型

50个epoch，准确率100%，用 CNN-LSTM-Transformer特征融合 网络分类效果显著，能够从多源故障信号特征中提取出对模型识别重要的特征，效果明显!

2.3 模型评估

（1）准确率、精确率、召回率、F1 Score

（2）故障5分类混淆矩阵：

（3）分类标签可视化

（4）原始数据 t-SNE特征可视化

（5）模型训练后的 t-SNE特征可视化：

tsne-可视化.png

​ ​

本文转载自​​​​​​​建模先锋​​​​​​​，作者：小蜗爱建模