利用DCNN融合多传感器特征的故障诊断方法∗

吴耀春，赵荣珍，靳伍银，何天经，武 杰

（1.兰州理工大学机电工程学院 兰州，730050）（2.安阳工学院机械工程学院 安阳，455000）

引言

在机械领域，航空发动机、大型风电装备、高档数控机床等重大装备正在朝着高速、高效、高精度方向发展，装备的安全可靠运行必须依靠故障诊断技术保驾护航［1］。然而，由于设备结构复杂、需要诊断的零部件数量多，多年来仅使用单个传感器采集局部振动信号去解决机械系统故障辨识，发展至今已呈现难以为继的困境。对此，充分利用布置在机械装备关键截面处的系列传感器，采集尽量多信息的集合实施智能故障决策技术，这种观点已获得工业大数据技术研究展望的共识［2］。用多个传感器在多个测点对复杂设备进行监测，能够扩展获取故障信息的物理属性、空间范围或时间范围，融合多传感器信号特征能够增加故障信息的多样性和完整性，提高故障诊断鲁棒性与辨识率［3-4］。传统的数据融合算法［5］多是基于BP神经网络（back propagation neural work，简称BPNN）、支持向量机（support vector machine，简称SVM）等浅层网络模型，它们的非线性映射能力与对复杂数据的特征表示能力相对来说较弱，直接影响了数据融合的效果。与之相比，深层模型能够更好地逼近复杂函数，数据特征表示能力和泛化能力更强，但是其非凸损失函数使其训练容易造成局部最优，这使得深层模型的使用受到较大制约［6］。

Hinton等［7］指出，可通过“逐层预训练”来有效克服深层神经网络在训练上的困难，首次提出了深度学习理论，开启了深度学习在学术界和工业界的浪潮。……