本发明涉及智能故障诊断领域，特别涉及一种基于多维信息融合的离心风机故障诊断方法。
背景技术：
1、现有技术针对离心风机的故障诊断监控一般采用单个传感器进行检测，如一般设置有振动传感器，基于振动传感器采集的振动幅值与设置的阈值比较来判断离心风机是否故障，这种故障判断方式仅能针对明显故障做出诊断，而且往往诊断精准度存在缺陷。基于单一信号进行故障诊断研究可靠性与稳定性差，且容错能力不佳，一旦传感器失效，诊断也将停止。当故障类型多且复杂时，一种信息或几种信息得出的诊断或预测效果不可靠，不同的故障还可能以同一征兆的形式表现出来。因此，现有技术朝着多传感器的方向进行改进。
2、多传感器信息融合能提供更为丰富的信息，在时间和空间上进行互补，通过对信息的优化组合能导出更多的有效信息。大多数方法在处理多传感器信息融合时，直接将这些信息输入到构建的深度学习故障诊断模型中，利用深度学习的自学习能力进行故障诊断，这种方法忽略了各个传感器之间的差异性与表现力，也未考虑多传感器信息间的空间关联性，并没有充分利用到信息之间的相关互补性，存在一定的信息丢失，影响诊断效果。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种基于多维信息融合的离心风机故障诊断方法，同时利用一台设备的多个传感器，在融合传感器信息时根据传感器安装位置的不同采取不同的融合方式，充分考虑信息之间的相关性与特异性，提升预测结果的准确性。
2、为了实现上述目的，本发明采用的技术方案为：一种基于多维信息融合的离心风机故障诊断方法，包括：分别采集离心风机的水平测点振动数据和垂直测点的振动数据；将多个水平测点的振动数据和一个或多个垂直测点的振动数据作为输入送入到预先建立的神经网络模型中进行诊断预测；所述神经网络模型对水平测点的诊断数据和垂直测点的诊断数据分别采用不同的融合方式获取其特征信息并基于融合得到的特征信息预测得到诊断结果。
3、预先建立的神经网络模型的结构包括通道特征融合模块、多级特征融合模块、conv block模块、分类器；其中通道特征融合模块对输入的离心风机水平测点的多个传感器的振动数据进行通道特征融合以获取水平振动对应的特征信息；多级特征融合模块对垂直测点的多个传感器采集的振动数据进行多级特征融合以获取垂直振动对应的特征信息；水平振动对应的特征信息、垂直振动对应的特征信息均输入到conv block模块进行特征提取并将提取的特征送入到分类器中进行分类，分类器输出故障诊断结果。
4、通道特征融合模块对水平测点的传感器采集的振动数据进行融合处理，其中水平测点对应的振动传感器的数量为三个，分别测试三个水平测点处的振动数据。
5、以三个传感器的数据为一组，对每组传感器振动信号进行长度截取，每组中每个传感器对应的截取长度的振动样本数据进行灰度图变换，将每个振动样本数据生成对应的灰度图样本；采用通道融合的方式将每组的三个传感器的灰度图像融合成三通道rgb图像。
6、对每组中每个传感器信号均进行4096长度的截取，截取得到n个样本数，每个样本数中包括三个传感器样本数据，将每个传感器样本数据进行灰度图变化，每个传感器样本数据生成大小为(1,64,64)的灰度图像样本；将每个样本数据中的三个传感器样本数据对应的灰度图融合形成三通道rgb图像样本。
7、多级特征融合模块包括第一级特征融合支路、第二级特征融合支路、第三级特征融合支路，每个特征融合支路的输入数据分别为分支子特征x2、x3、x4，每个特征融合支路的输出结果相乘后得到多级特征；其中第一级特征融合支路、第二级特征融合支路、第三级特征融合支路均包括有conv单元、bn单元和relu单元。
8、垂直测点的传感器采集的振动数据按照时序统计得到其振动数据即为输入特征x1，x∈rl1x1xc，其中x1的特征大小为l1，c表示通道数；将输入特征x1拆分为三个分支子特征x2、x3、x4；每个子特征的大小分别为l2、l3、l4，且l1＝l2+l3+l4。
9、在将输入特征x1进行拆分时，l2、l3、l4的设置满足如下要求：l2≠l3≠l4且l2<l3<l4，l2＝2n-3,l3＝2n-2,l4＝2n-1，其中n属于正整数。
10、预先建立的神经网络模型在进行故障诊断预测前进行训练，建立以水平测点的三个传感器数据以及垂直测点的传感器数据作为输入、离心风机故障状态为输出的数据集，并将数据集划分为训练集和测试集，对建立好的神经网络模型进行训练和测试直至满足训练结束条件后得到训练后的神经网络模型并用于离心风机的自动诊断。
11、本发明的优点在于：同时利用一台设备的多个传感器，在融合传感器信息时根据传感器安装位置的不同采取不同的融合方式，充分考虑信息之间的相关性与特异性。充分挖掘每段传感器信号中特征，采用多级长度的特征信息融合，提升少量样本信号的表达能力，离心风机的故障诊断预测更加准确可靠。
1.一种基于多维信息融合的离心风机故障诊断方法，其特征在于，包括：分别采集离心风机的水平测点振动数据和垂直测点的振动数据；将多个水平测点的振动数据和一个或多个垂直测点的振动数据作为输入送入到预先建立的神经网络模型中进行诊断预测；所述神经网络模型对水平测点的诊断数据和垂直测点的诊断数据分别采用不同的融合方式获取其特征信息并基于融合得到的特征信息预测得到诊断结果。
2.如权利要求1所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：预先建立的神经网络模型的结构包括通道特征融合模块、多级特征融合模块、conv block模块、分类器；其中通道特征融合模块对输入的离心风机水平测点的多个传感器的振动数据进行通道特征融合以获取水平振动对应的特征信息；多级特征融合模块对垂直测点的多个传感器采集的振动数据进行多级特征融合以获取垂直振动对应的特征信息；水平振动对应的特征信息、垂直振动对应的特征信息均输入到conv block模块进行特征提取并将提取的特征送入到分类器中进行分类，分类器输出故障诊断结果。
3.如权利要求2所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：通道特征融合模块对水平测点的传感器采集的振动数据进行融合处理，其中水平测点对应的振动传感器的数量为三个，分别测试三个水平测点处的振动数据。
4.如权利要求3所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：以三个传感器的数据为一组，对每组传感器振动信号进行长度截取，每组中每个传感器对应的截取长度的振动样本数据进行灰度图变换，将每个振动样本数据生成对应的灰度图样本；采用通道融合的方式将每组的三个传感器的灰度图像融合成三通道rgb图像。
5.如权利要求4所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：对每组中每个传感器信号均进行4096长度的截取，截取得到n个样本数，每个样本数中包括三个传感器样本数据，将每个传感器样本数据进行灰度图变化，每个传感器样本数据生成大小为(1,64,64)的灰度图像样本；将每个样本数据中的三个传感器样本数据对应的灰度图融合形成三通道rgb图像样本。
6.如权利要求1-5任一所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：多级特征融合模块包括第一级特征融合支路、第二级特征融合支路、第三级特征融合支路，每个特征融合支路的输入数据分别为分支子特征x2、x3、x4，每个特征融合支路的输出结果相乘后得到多级特征；其中第一级特征融合支路、第二级特征融合支路、第三级特征融合支路均包括有conv单元、bn单元和relu单元。
7.如权利要求6所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：
8.如权利要求7所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：在将输入特征x1进行拆分时，l2、l3、l4的设置满足如下要求：l2≠l3≠l4且l2<l3<l4，l2＝2n-3,l3＝2n-2,l4＝2n-1，其中n属于正整数。
9.如权利要求1-8任一所述的一种基于多维信息融合的离心风机故障诊断方法，其特征在于：预先建立的神经网络模型在进行故障诊断预测前进行训练，建立以水平测点的三个传感器数据以及垂直测点的传感器数据作为输入、离心风机故障状态为输出的数据集，并将数据集划分为训练集和测试集，对建立好的神经网络模型进行训练和测试直至满足训练结束条件后得到训练后的神经网络模型并用于离心风机的自动诊断。
