通过对深度学习和多传感器数据的应用，可以自动提取故障特征并整合有价值的信息，以解决电机轴承故障诊断中的复杂挑战。大多数现有的融合模型主要专注于原始时间序列信号，信息提取主要局限于时域，没有延伸到多个变换域。此外，在大多数融合模型中，传感器融合水平相对较简单，这可能导致信息之间的相关性和互补性被忽视。
近日，上海电机学院电机智能诊断研究团队从多变换域和多源数据融合的视角出发，提出了一种新的电机轴承故障诊断框架。相关研究结果以“A Novel Framework for Motor Bearing Fault Diagnosis Based on Multi-transformation Domain and Multi-source Data”为题，发表在人工智能领域重要期刊Knowledge-Based Systems（IF 8.8，中国科学院一区Top期刊）上。我校为论文第一单位，硕士研究生薛一鹏为论文第一作者，文传博老师、陈国初老师为共同作者。
通过这个框架，来自多源数据的特征在时域、频域和时频域中实现了提取和融合。每个不同的域中包含了不同的独立网络：一个网络专门用于监督特征融合，而其余的网络则专门用于从各个传感器中提取特征。为了支持不同变换域中的多源特征进行多次融合，在多个特征提取网络以及特征汇总网络的层之间插入了多个融合节点。此外，引入通道注意力机制作为融合策略，以确定不同特征的重要性，从而增强特征提取与融合的效率。实验评估显示了所提出模型的功效，并强调了其可扩展性和普适性。
多变换域与多源数据的融合模型框架
特征提取和特征提取结果的可视化图
论文链接：
https://www.sciencedirect.com/science/article/pii/S0950705123009553