技术摘要：
本发明公开了一种多源信息分层融合的离心鼓风机故障诊断方法，包括以下步骤：构建离心鼓风机诊断过程中的多源同类信息与多源异类信息；制定数据层与特征层相结合的离心鼓风机多源信息分层融合框架；利用分层融合后的结果，基于深度学习建立离心鼓风机的故障诊断模型。
背景技术：
离心鼓风机作为旋转机械中的一种，广泛应用于能源、建筑、化工等行业，在现代 工业中承担着重要的角色。在高温高压、高负荷、强冲击等恶劣工况下，鼓风机的关键部件 故障发生频率高，其安全性和可靠性正吸引着巨大的关注。离心鼓风机故障类型多且复杂， 如果不能及时地对出现的故障进行有效地故障诊断，将造成巨大的经济损失甚至人身安 全。目前关于离心鼓风机的故障诊断研究主要是基于单一信息利用数据驱动的方法进行诊 断，而单一信息可靠性与稳定性差，容错能力不佳，传统的数据驱动方法诊断能力和泛化性 能不足，因此，考虑利用多源信息开展基于深度学习的离心鼓风机故障诊断方法研究具有 重要的现实意义。故本方法从离心鼓风机的监测信息出发，将信息分为多源同类信息与多 源异类信息，运用数据层与特征层相结合的分层融合模式，基于深度学习建立离心鼓风机 的故障诊断模型，提高诊断的精确性与稳定性。
技术实现要素：
本发明提供一种多源信息分层融合的离心鼓风机故障诊断方法，以提供更加精确 与稳定的故障诊断模型。 为实现本发明目的而采用的技术方案是这样的，即一种多源信息分层融合的离心 鼓风机故障诊断方法。它包括以下步骤： 步骤1：构建离心鼓风机诊断过程中的多源同类信息与多源异类信息； 步骤2：制定数据层与特征层相结合的离心鼓风机多源信息分层融合框架； 步骤3：利用分层融合后的结果，基于深度学习建立离心鼓风机的故障诊断模型。 优选地，步骤1中所述离心鼓风机多源信息可分为多源同类信息与多源异类信息： (1)多源同类信息包括转子振动信号、壳体振动信号、电机轴承温度信号、电机三 相绕组温度信号、转子轴承温度信号。其中，转子振动包括水平方向振动信号VIrh与垂直方 向振动信号VIrv；壳体振动信号包括水平方向振动信号VIsh与垂直方向振动信号VIsv；电机 轴承温度包括前轴承温度信号TMbf与后轴承温度信号TMbb；电机三相绕组温度信号包括A相 绕组温度信号TMpa、B相绕组温度信号TMpb、C相绕组温度信号TMpc；转子轴承温度包括前轴承 温度信号TRbf与后轴承温度信号TRbb。 (2)多源异类信息包括转子振动信号、壳体振动信号、电机轴承温度信号、电机三 相绕组温度信号、转子轴承温度信号、风机推力轴承温度、电机电流、风机入口压力、风机出 口压力、风机入口导叶开度、风机出口导叶开度。 离心鼓风机监测多源信息集合MI可表示为： MI＝{VIr，VIs，TMb，TMp，TRb，TBb，IM，PBin，PBout，OBin，OBout} 式中，VIr为转子振动信号、VIs为壳体振动信号、TMb为电机轴承温度、TMp为电机三 3 CN 111734669 A 说　明　书 2/5 页 相绕组温度、TRb为转子轴承温度、TBb为风机推力轴承温度、IM为电机电流、PBin为风机入口 压力、PBout为风机出口压力、OBin为风机入口导叶开度、OBout为风机出口导叶开度。其中，离 心鼓风机的多源信息组成如图1所示。 优选地，步骤2中，制定了数据层与特征层相结合的离心鼓风机多源信息分层融合 框架，其具体流程为： (1)多源同类信息数据层融合 基于相关性方差贡献率法将监测同一部件的多个同类信息融合为一个信息，将 VIrh与VIrv进行融合构成转子振动信息；将VIsh与VIsv融合构成壳体振动信息；将TMbf与TMbb 融合构成电机轴承温度信息；将TMpa、TMpb、TMpc融合构成电机三相绕组温度信息；将TRbf与 TRbb融合构成转子轴承温度信息，数据层融合后的五类信息VIr、VIs、TMb、TMp、TRb与TBb、IM、 PBin、PBout、OBin、OBout共同构成离心鼓风机的多源异类信息。 (2)多源异类信息特征提取 分别对VIr、VIs、TMb、TMp、TRb、TBb、PBin、PBout、OBin、OBout信息提取均值 峰值xp、均 方根xrms、方根幅值xr、幅值平方和xe、标准差xstd、偏度xske、峭度xkur、波形指标xSF、峰值指标 xCF、脉冲指标xIF、裕度指标xCIF等12个时域特征，对电机电流信号提取经3层小波包多分辨 分解的小波包熵特征。 (3)多源异类信息特征层融合 基于核主成分分析法对多源异类信息提取到的所有特征做融合处理，将提取的时 域特征和小波包熵特征进行融合，得到经降维后的特征融合向量。 优选地，步骤3中，基于深度学习建立的离心鼓风机故障诊断模型，其具体诊断过 程为： (1)将经分层融合后的特征融合向量输入建立的自适应卷积神经网络离心鼓风机 故障诊断模型，模型架构如图2所示，其中卷积层数学表达式为： 式中，Mj为输入特征图， 为l层第j个输出特征图， 为卷积核， 为偏置，符号* 代表卷积运算，f(·)为激活函数。 (2)以卷积神经网络收敛速度Vc为评价指标，判断是否需要对网络进行自适应扩 展。 式中，Ehop为初始系统期望平均误差，N为训练样本总数，m为类别数， 为第j幅训 练样本对应的第i个神经元的输出， 为训练样本的真实类别标签，T为预设期望阈值，设 为0.1。自适应卷积神经网络结构包括原始支路A与扩展支路B，初始化网络只包含支路A，若 收敛速度Vc达到预设值T则不进行自适应扩展，网络结构只包括原始支路A。反之，若收敛速 度未达到预设值则进行自适应扩展，即在初始网络基础上扩展一条具有与A相似结构的新 支路B。 4 CN 111734669 A 说　明　书 3/5 页 (3)训练建立的自适应卷积神经网络离心鼓风机故障诊断模型，输出诊断结果，离 心鼓风机的故障诊断流程如图3所示。 附图说明 图1离心鼓风机多源信息组成 图2自适应卷积神经网络故障诊断模型架构 图3多源信息分层融合的离心鼓风机故障诊断流程 图4核主元特征的二维分布情况 图5离心鼓风机故障分类混淆矩阵