一种面向旋转机械多传感器故障诊断的模态融合深度聚类方法.pdfVIP

第47卷第1期电

子

与

信

息

学

报Vol.

47No.

1

2025年1月Journal

of

Electronics

Information

TechnologyJan.

2025

一种面向旋转机械多传感器故障诊断的模态融合深度聚类方法

①②①③①③*④

伍章俊

许仁礼

方

刚

邵海东

①(合肥工业大学管理学院

合肥

230009)

②(过程优化与智能决策教育部重点实验室

合肥

230009)

③(智能决策与信息系统技术教育部工程研究中心

合肥

230009)

④(湖南大学机械与运载工程学院

长沙

410082)

摘

要：针对单传感器和单模态信号特征信息不足的问题，该文提出一种基于多模态融合的端到端深度聚类旋转

机械多传感器故障诊断方法(EDCM-MFF)。首先，利用门控递归单元自编码模块提取多传感器故障信号的深度

时序特征。然后，应用短时傅里叶变换(STFT)将故障信号转换为时频图像，并通过卷积自编码器提取这些图像

的深度空间特征。接着，设计了一种模态融合注意力机制，通过计算不同模态深度特征之间的亲和矩阵，实现模

态特征的融合。最后，采用Kullback-Leibler(KL)散度聚类，以端到端方式实现故障类型的识别。实验结果显示，

该方法在东南大学齿轮箱和轴承数据集上的识别准确率分别为99.16%和98.63%。与现有的无监督学习方法相比，

所提方法能够更有效地实现多传感器和多模态的旋转机械故障诊断。

关键词：旋转机械；故障诊断；多模态融合；深度聚类

中图分类号：TN911.7;

TH133;

TP183文献标识码：A文章编号：1009-5896(2025)01-0244-16

DOI:

10.11999/JEIT240648

1引言[8]

和端到端方法。两阶段深度聚类故障诊断方法采

旋转机械广泛应用于各种重要设备中，如火车、用分步优化策略，先优化深度神经网络，再优化聚

[9]

飞机、机床、电站发电机组等。由于旋转机械结构类过程。例如，解骞等人提出一种基于自主认知

较为复杂，并长时间处于重载和高速的工况中，容的深度时序聚类表示模型，用于对隔离开关的故障

易发生各类故障，可能会造成巨大的经济损失，甚诊断。该模型集成了时间重建和K-Means目标，设

至人员伤亡。因此，自动准确地识别旋转机械运行计了假样本生成策略和辅助分类任务，以改进集群

[10]

[1,2]结构，获得特定于集群的时间表示。Li