传感器|智能主轴技术发展综述( 五 ) 算法|CNN|机械

3.2 多源传感器信息融合技术【传感器|智能主轴技术发展综述】在工业控制和加工领域，系统的故障类型越来越多，通过单一信号及故障诊断方法难以做出准确可靠的判别，易产生误判和漏判。多源信息融合的意义是充分利用各个传感器信号源，通过一定的标准将多个信号源的信息进行整理和组合，从而得到对所研究对象的一致性描述和状态判断，使该系统具有更强的综合性和更高的准确性。信号融合算法是多源信息融合的基础和核心内容，其本质是通过数学方法加工多维度的传感器输入数据，实现传感信号的融合。信息融合可分为数据层融合、特征层融合和决策层融合。数据层融合指直接融合同种或同类传感器的原始数据，并给出特征提取或局部诊断决策的结果：文献[41
融合了振动和电流信号进行特征获取，重构多域高维相空间，获得低维敏感特征，采用增殖流形相似度进行状态识别；文献[42
使用一级CNN进行多个传感器的特征提取，接着使用二级CNN进行多传感器决策融合，提高了轴承复合故障诊断的精度；数据层融合能够补足单一传感器的缺陷，消除部分噪声，但对于特征提取和最终决策的作用不大。特征层融合直接提取数据源的特征信息并进行融合分析处理，能够保留单个传感器的重要信息，为后期的最终决策提供支持：文献[27
使用小波包提取振动信号和电流信号的特征后进行排列重选实现融合，作为人工神经网络的输入进行轴承故障诊断；文献[43
提取雷达和红外信号的特征后，提出基于Owen值的特征选择算法，结合信息论和合作博弈理论建立合作博弈特征选择模型并选择合适的特征作为诊断依据；特征层融合能够在较大程度上实现信号的深层融合，但相关研究较少，融合深度也有待加强。决策层融合是对单个传感器数据处理和特征提取后进行初步决策，然后将初步决策结果在某种规则下进行组合从而得到最终的联合决策结果：文献[12
根据各传感器对电主轴健康状态的敏感度计算权重并采用加权DS证据理论融合传感器数据，通过对传感器加权的方式实现了较为准确的轴承健康状态分类；文献[42
使用二级CNN网络进行多传感器决策融合，提高了轴承复合故障诊断的精度；文献[44
对振动、谐波和温度信号进行EMD处理得到特征向量，通过BP神经网络得到单个传感器信号的诊断结果，最终使用DS证据理论融合得到多个传感器信号共同的诊断结果。决策层融合是一种高层次融合，虽然精度较低，但抗干扰能力强，对传感器依赖小，灵活性和容错性较好，是目前相对成熟的融合方式。目前常用的信息融合算法有Bayes理论、模糊理论、DS证据理论、人工神经网络和卷积神经网络等。随着深度学习的发展，特征提取效果越来越好，多源信息融合也具有了更好的发展：文献[13
提出了一种基于多层DIN网络的自适应信号融合网络，使用软注意力机制将2层DIN网络的特征进行融合，并根据融合后的特征预测和判别轴承状态；文献[45
等将多通道振动信号转换为二维时间序列信号，进行数据层融合后使用CNN模型从原始数据中直接提取特征并输出轴承故障类型；文献[46
利用改进的CNN模型从多通道振动数据中提取特征，然后利用支持向量机进行故障分类；为避免多通道信号融合过程中的信息丢失，文献[47
提出了一种带有瓶颈层的CNN模型，利用瓶颈层融合来自同一时间节点的多通道振动数据，取得了较好的诊断效果；文献[48
采用一维卷积网络分别提取振动与声音信号的特征后，使用卷积层和池化层对其进行融合，最后由Softmax层输出故障类别，在不同的信噪比下均达到了较高的精度；文献[49