2020年故障诊断方法研究进展

多源信息自适应融合策略的深度学习模型（2020年）

深度神经网络可以有效地学习原始数据的抽象特征，并自动获得数据的最佳表示。多源数据中包含丰富的故障信息，因此，有必要研究基于多源原始信号的数据融合模型，用于设备状态监测和诊断。

提出了基于卷积神经网络的多源信息自适应融合策略的深度学习模型，研究了自适应融合卷积核在融合多源数据以及膨胀卷积提取融合序列中的应用，利用一维标准卷积融合多通道数据，构造空洞卷积核（AC）提取深层故障特征，优化选取空洞卷积核最佳感受野参数，网络终端通过全局平均池化（GAP）代替全连接层集成信息，将特征数据映射到样本标签，对原始信号特征信息进行深层挖掘，实现了故障的智能诊断。

该模型的特点在于，根据实际工况中的生产需求调整诊断策略，使模型适用于不同结构的多源数据。膨胀卷积运算相比传统的卷积运算能够显著增加网络节点的感受野。更大的感受野能够有效保证深层节点更充分地学习信号特征。此外，在标准卷积核中，将0值插入相邻滤波器值中，从而获得了膨胀卷积核，膨胀卷积显著扩展感受野并不会给GPU带来额外的计算负担。采用高效的一维CNN提取特征，为了提高模型鲁棒性与收敛性能并避免传统网络缺点，采用全局平均池化层代替了全连接层以及批标准化等先进技术优化模型，带参数的激活函数也避免了模型反向传播过程中的信息丢失。基于多源信息自适应融合策略的深度学习网络方法流程图如下图所示。

图1 多源信息自适应融合策略的深度学习网络流程图