10、智能故障诊断中的多传感器融合技术

智能故障诊断中的多传感器融合技术

在智能故障诊断领域，多传感器融合技术正发挥着越来越重要的作用。通过模型训练，深度架构能够自动学习和选择有助于准确分类的合适特征，从而减少整体的人工干预。

多传感器融合的基本方法

多传感器融合在故障诊断中的概念通常可分为三种策略性方法：数据级融合、特征级融合和决策级融合。
- 数据级融合 ：旨在故障诊断框架的数据处理阶段，将来自多个传感器的测量数据对齐，形成统一且集成的传感器数据。集成后的数据被视为进一步处理的主要信号。这种融合一般采用集中式融合系统进行处理，是最低级别的融合。在三种融合方案中，它的数据损失最小，可靠性最高。不过，该方法对硬件平台的计算能力要求较高，目前应用主要集中在科研领域。
- 特征级融合 ：是一种面向监测对象的特征融合，通常在获取原始数据并提取特征后进行。此方法提取收集数据中包含的特征向量，以反映监测对象的属性。对来自传感器的融合特征信息进行卷积和池化操作后，可获得包含传感器特征信息的数据集。最后，通过对数据集进行标注和训练，就能得到诊断模型。
- 决策级融合 ：利用通过特征级融合获得的数据特征进行特定的判别、分类和简单逻辑运算。根据应用需求做出高级决策，实现面向应用的融合。由于需要为每种模态提供单独的模型，它能更好地对不同模态的数据特征进行建模，并能应对部分数据丢失和某些模态之间的异步问题。然而，它在特征级别丢失了数据相关性，通常实现难度较高。

基于深度卷积神经网络（DCNN）的多传感器融合智能故障诊断

在智能故障诊断中，时频分布（TFD）和基于DCNN的多传