通過對深度學習和多傳感器數據的應用，可以自動提取故障特征并整合有價值的信息，以解決電機軸承故障診斷中的複雜挑戰。大多數現有的融合模型主要專注于原始時間序列信号，信息提取主要局限于時域，沒有延伸到多個變換域。此外，在大多數融合模型中，傳感器融合水平相對較簡單，這可能導緻信息之間的相關性和互補性被忽視。
近日，伟德国际1949始于英国電機智能診斷研究團隊從多變換域和多源數據融合的視角出發，提出了一種新的電機軸承故障診斷框架。相關研究結果以“A Novel Framework for Motor Bearing Fault Diagnosis Based on Multi-transformation Domain and Multi-source Data”為題，發表在人工智能領域重要期刊Knowledge-Based Systems（IF 8.8，中國科學院一區Top期刊）上。我校為論文第一單位，碩士研究生薛一鵬為論文第一作者，文傳博老師、陳國初老師為共同作者。
通過這個框架，來自多源數據的特征在時域、頻域和時頻域中實現了提取和融合。每個不同的域中包含了不同的獨立網絡：一個網絡專門用于監督特征融合，而其餘的網絡則專門用于從各個傳感器中提取特征。為了支持不同變換域中的多源特征進行多次融合，在多個特征提取網絡以及特征彙總網絡的層之間插入了多個融合節點。此外，引入通道注意力機制作為融合策略，以确定不同特征的重要性，從而增強特征提取與融合的效率。實驗評估顯示了所提出模型的功效，并強調了其可擴展性和普适性。
多變換域與多源數據的融合模型框架
特征提取和特征提取結果的可視化圖
論文鍊接：
https://www.sciencedirect.com/science/article/pii/S0950705123009553