張 友，李聰波，林利紅，王 睿

(重慶大學(xué) a.機械傳動國家重點實驗室；b.機械與運載工程學(xué)院，重慶 400044)

離心鼓風(fēng)機作為旋轉(zhuǎn)機械中的一種，在現(xiàn)代工業(yè)中承擔(dān)著重要的角色。離心鼓風(fēng)機結(jié)構(gòu)復(fù)雜，系統(tǒng)零部件眾多，在高溫高壓、高負(fù)荷、強沖擊等惡劣工況下，極易出現(xiàn)各種故障[1]，如果不及時采取恰當(dāng)?shù)木S修策略，將很可能導(dǎo)致整個系統(tǒng)停機，甚至造成巨大的經(jīng)濟損失乃至危害人身安全。因此，開展離心鼓風(fēng)機的故障診斷研究，提高設(shè)備的安全性和穩(wěn)定性具有深遠(yuǎn)的意義。

隨著大數(shù)據(jù)和機器學(xué)習(xí)的發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷研究已得到了廣泛應(yīng)用。常用的診斷方法有支持向量機(SVM, support vector machine)[2]，小波變換[3]，K最近鄰算法[4]等。這些方法都屬于淺層學(xué)習(xí)模型，其診斷精度依賴于人工提取特征的好壞，且在高維大數(shù)據(jù)情況下，其診斷能力和泛化性能明顯不足[5]。不同于淺層機器學(xué)習(xí)模型，深度學(xué)習(xí)因其強大的特征提取能力，在圖像識別[6]、自然語言處理[7]等領(lǐng)域已經(jīng)取得了巨大的成就，在故障診斷領(lǐng)域也成為一些學(xué)者研究的熱點。如Wen等[8]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN, convolutional neural network)自動提取振動信號的特征，實現(xiàn)了滾動軸承的故障診斷；胡蔦慶等[9]利用經(jīng)驗?zāi)B(tài)分解(EMD, empirical mode decomposition)對振動信號做預(yù)處理，結(jié)合深度CNN實現(xiàn)了齒輪箱的故障診斷；Jiang等[10]提出了一種多尺度CNN，有效提取了振動信號的故障特征，提高了風(fēng)力發(fā)電機齒輪箱診斷的準(zhǔn)確性。離心鼓風(fēng)機監(jiān)測信號種類多且復(fù)雜，研究一種能從復(fù)雜高維數(shù)據(jù)中自適應(yīng)學(xué)習(xí)故障特征的深度CNN，對于離心鼓風(fēng)機的故障診斷具有重要意義。

以上學(xué)者均是基于單一信號開展的故障診斷研究，而單一信號容錯能力不佳，且含有的故障信息有限，多傳感器信息融合能夠為診斷提供更為豐富的信息，增強診斷系統(tǒng)的魯棒性與可靠性[11]。如任海鋒等[12]將兩個測點上的振動信號進(jìn)行融合，結(jié)合SVM實現(xiàn)了某高射機槍自動機裂紋的故障診斷；朱丹宸等[13]提出了一種基于多振動信號與CNN的滾動軸承故障診斷方法，相比于單一振動信號，診斷精確性有了明顯提升；Jing等[14]將振動信號、聲發(fā)射信號、電流信號與瞬時角速度信號進(jìn)行融合后共同輸入構(gòu)建的深度CNN，實現(xiàn)了滾動軸承的故障診斷，且取得了較好的診斷性能。上述文獻(xiàn)都僅是基于多源同類或異類信息融合的故障診斷研究，且融合方式均是將多個信號串行疊加為一個信號，這種融合方式并不能充分地利用各多源信息間的相關(guān)性與互補性，且存在一定的數(shù)據(jù)缺失[15]。經(jīng)此方式融合后提取的特征關(guān)聯(lián)度差，并不能全面反映出所包含的故障信息，診斷精確性也會因此降低。

離心鼓風(fēng)機監(jiān)測信息種類多、數(shù)據(jù)維度高，既有同類信息，也有異類信息。傳統(tǒng)的融合方式忽略了同類信息間的時序相關(guān)性，也未考慮異類信息間的空間關(guān)聯(lián)特性，存在一定的信息丟失，影響診斷性能。傳統(tǒng)的CNN在處理復(fù)雜的多源高維數(shù)據(jù)時自適應(yīng)特征提取能力較差，且融合后的特征含有的故障信息不全，會導(dǎo)致較差的分類性能。盲目地增大網(wǎng)絡(luò)深度又會導(dǎo)致較高的計算成本甚至出現(xiàn)過擬合情況。如何有效地融合這些信息是解決離心鼓風(fēng)機故障診斷問題的關(guān)鍵。為此，筆者提出了一種基于多源信息融合和自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)(ADCNN, adaptive deep convolutional neural network)的離心鼓風(fēng)機故障診斷方法?；谙嚓P(guān)性方差貢獻(xiàn)率法實現(xiàn)了多源同類信息的數(shù)據(jù)層融合，將多個同類信號融合為一個信號，有效利用了各信號間的相關(guān)性與互補性。提出的ADCNN可以根據(jù)實際的網(wǎng)絡(luò)性能優(yōu)化網(wǎng)絡(luò)層次結(jié)構(gòu)，以網(wǎng)絡(luò)收斂速度為評價指標(biāo)，對網(wǎng)絡(luò)進(jìn)行自適應(yīng)擴展，顯著提升了網(wǎng)絡(luò)的特征學(xué)習(xí)能力。通過ADCNN自適應(yīng)地提取各異類信息的故障特征并完成特征融合，實現(xiàn)離心鼓風(fēng)機的精確故障診斷。

1 離心鼓風(fēng)機多源信息融合處理

1.1 離心鼓風(fēng)機多源信息組成

表1 離心鼓風(fēng)機多源信息組成

1.2 基于相關(guān)性方差貢獻(xiàn)率的多源同類信息數(shù)據(jù)層融合

數(shù)據(jù)層融合直接融合同類信息的原始數(shù)據(jù)，能夠提供很多細(xì)微信息[15]。相關(guān)性方差貢獻(xiàn)率法有效利用了傳感器各信號間的相關(guān)性及互補性。此方法以方差貢獻(xiàn)率為依據(jù)，根據(jù)信息間的相關(guān)重要程度去分配融合系數(shù)，將多個同類信號融合為一個信號，實現(xiàn)了同類信息間的動態(tài)融合，從而避免了有效信息的漏頻及丟失。

設(shè)x(n)和y(n)是2個能量有限的確定性信號，則信號x(n)與y(n)的相關(guān)系數(shù)為

(1)

假設(shè)m個同類傳感器信號x1(n),x2(n), …，xm(n)，則任意2個信號的互相關(guān)性可表示為

(2)

式中：n為每個信號數(shù)據(jù)點的個數(shù)；t=0, 1, …，n-1表示信號時間序列。第i個傳感器與所有同類傳感器信號總的相關(guān)能量可表示為

(3)

(4)

式中：xi為第i個傳感器在時間T內(nèi)以一定的采樣頻率采集到的數(shù)據(jù)信號序列，其能量歸一化信號yi的離散的n個數(shù)據(jù)值為yi(1),yi(2), …，yi(n)，定義其方差貢獻(xiàn)率為

(5)

由某一時刻m個同類傳感器采集到的同類信號的方差貢獻(xiàn)率，得到任一傳感器信號xi第l個數(shù)據(jù)點xi(l)的分配系數(shù)為

(6)

基于所得的分配系數(shù)，m個同類傳感器信號被融合為一個信號。融合后所得信號x第l個數(shù)據(jù)點的值為

(7)

1.3 離心鼓風(fēng)機多源信息融合框架

傳統(tǒng)的多源信息融合模式是將多個信號串行疊加為一個信號，這種融合模式并不能充分地利用各信號間的相關(guān)性與互補性。離心鼓風(fēng)機監(jiān)測信號多，既有多源同類信息又有異類信息，綜合有效地利用這些信息對于提升離心鼓風(fēng)機的診斷精確性具有重要意義。基于此，筆者提出了一種數(shù)據(jù)層與特征層相結(jié)合的多源信息融合模式?；谙嚓P(guān)性方差貢獻(xiàn)率法實現(xiàn)離心鼓風(fēng)機多源同類信息的數(shù)據(jù)層融合，將多個同類信號融合成一個信號，利用ADCNN自適應(yīng)地提取各異類信息的特征并完成特征融合。這種融合模式考慮了同類信號間的相關(guān)性及互補性，避免了關(guān)鍵故障信息的丟失。其融合框架如圖1所示。

圖1 離心鼓風(fēng)機多源信息融合框架Fig. 1 Multi-source information fusion framework of the centrifugal blower

離心鼓風(fēng)機多源信息融合框架可分為3個部分：

1)多源信息采集與數(shù)據(jù)預(yù)處理：利用振動傳感器、溫度傳感器、電流傳感器以及壓力傳感器采集離心鼓風(fēng)機的多源傳感器信息，并將每個信號分割為多個片段。

3)異類信息特征提取與融合：將6種異類信息融合為一個6通道的信號輸入到構(gòu)建的ADCNN中，利用ADCNN自動提取各異類信息的故障特征并實現(xiàn)特征融合。

2 基于ADCNN的離心鼓風(fēng)機故障診斷方法

2.1 ADCNN模型構(gòu)建

傳統(tǒng)的CNN在處理多源高維數(shù)據(jù)時，特征自適應(yīng)提取能力較差，其性能隨著神經(jīng)元數(shù)目增加或網(wǎng)絡(luò)的加深而相應(yīng)提高[16]。而卷積運算復(fù)雜度較高，盲目增大網(wǎng)絡(luò)規(guī)模，將會耗費大量訓(xùn)練時間，且有時識別精度提升并不明顯，因此使用固定的網(wǎng)絡(luò)深度并不合適。ADCNN可以根據(jù)實際網(wǎng)絡(luò)性能，優(yōu)化網(wǎng)絡(luò)層次結(jié)構(gòu)，以收斂速度為評價指標(biāo)，對網(wǎng)絡(luò)進(jìn)行自適應(yīng)擴展，提取各多源信息的代表性故障特征。筆者利用ADCNN處理融合后的離心鼓風(fēng)機多源信息并得到診斷結(jié)果，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 ADCNN結(jié)構(gòu)Fig. 2 The structure of ADCNN

卷積層是ADCNN的核心部分，由多個特征圖組成，每個特征圖通過卷積核與上一層特征圖的局部區(qū)域相連，通過對各輸入特征圖的卷積濾波，提取數(shù)據(jù)特征。卷積層的數(shù)學(xué)模型可表示為

(8)

池化層通過對上一層特征圖的縮放映射以降低數(shù)據(jù)維度，同時還能提高網(wǎng)絡(luò)的魯棒性。其中，最大池化函數(shù)是最常用的池化函數(shù)，其數(shù)學(xué)表達(dá)式為

(9)

式中：Pj表示池化層的第j個輸出；S為池化窗口大小。

如圖2所示，ADCNN共有r條支路，包含初始支路與擴展支路。初始化網(wǎng)絡(luò)只包含一條初始支路，并以網(wǎng)絡(luò)收斂速度為評價指標(biāo)判斷是否需要進(jìn)行自適應(yīng)擴展。若收斂速度未達(dá)到期望閾值則需進(jìn)行自適應(yīng)擴展，自適應(yīng)擴展即在初始網(wǎng)絡(luò)基礎(chǔ)上擴展一條與初始支路相同結(jié)構(gòu)與參數(shù)的新支路，當(dāng)收斂速度滿足要求或者r達(dá)到預(yù)設(shè)支路條數(shù)的最大值rmax時，自適應(yīng)擴展則將停止。rmax設(shè)為5，收斂速度vcs的定義及應(yīng)滿足的要求如下：

vcs=Epre-Ecur≥Ch，

(10)

式中：Epre為前一次網(wǎng)絡(luò)訓(xùn)練平均誤差；Ecur為當(dāng)前網(wǎng)絡(luò)訓(xùn)練平均誤差；Ch為收斂速度的期望閾值，設(shè)定為0.1。網(wǎng)絡(luò)訓(xùn)練平均誤差的計算公式為

(11)

當(dāng)進(jìn)行自適應(yīng)擴展時，在擴展結(jié)構(gòu)中，需用一個新的全連接層將初始支路和擴展支路的輸出結(jié)果進(jìn)行融合，并獲得新的輸出結(jié)果。輸出層激勵函數(shù)融合輸出結(jié)果為

(12)

式中：y1與yk是初始支路與擴展支路k的輸出結(jié)果；ωk為擴展支路k的輸出權(quán)值；初始支路輸出權(quán)值設(shè)為1。

ADCNN訓(xùn)練過程中，初始支路的網(wǎng)絡(luò)結(jié)構(gòu)與相關(guān)參數(shù)保持不變，先保留其輸出結(jié)果y1，待擴展支路訓(xùn)練完后再與其輸出結(jié)果y1進(jìn)行融合，通過BP算法更新擴展支路的相應(yīng)權(quán)值，當(dāng)所有擴展支路擴展完畢時，即完成自適應(yīng)擴展學(xué)習(xí)。待擴展支路完成后，通過網(wǎng)絡(luò)輸出層得到診斷結(jié)果。

2.2 基于ADCNN的離心鼓風(fēng)機故障診斷流程

離心鼓風(fēng)機監(jiān)測信息多，故障類型復(fù)雜，多傳感器信號融合能夠提供更為豐富的故障信息。提出的ADCNN能夠自適應(yīng)地提取各異類信息的特征完成特征融合，并根據(jù)網(wǎng)絡(luò)性能優(yōu)化網(wǎng)絡(luò)層次結(jié)構(gòu)，有利于提高診斷的精確性?；贏DCNN的離心鼓風(fēng)機故障診斷流程如圖3所示。

圖3 基于ADCNN的離心鼓風(fēng)機故障診斷流程Fig. 3 Flow chart of centrifugal blower fault diagnosis based on ADCNN

診斷具體步驟如下：

1)利用振動傳感器、溫度傳感器、電流傳感器和壓力傳感器采集離心鼓風(fēng)機的多種傳感器監(jiān)測信息，并劃分為多源同類信息和多源異類信息。

3)將經(jīng)數(shù)據(jù)層融合后的多源異類信息按比例設(shè)置訓(xùn)練集與測試集，將訓(xùn)練集輸入初始的ADCNN并進(jìn)行參數(shù)初始化，r的初始值設(shè)為1。

4)訓(xùn)練網(wǎng)絡(luò)并根據(jù)收斂速度及支路條數(shù)判斷網(wǎng)絡(luò)是否需要進(jìn)行自適應(yīng)擴展。判斷條件vcs≥Ch或r≥rmax是否滿足，若條件滿足，保存網(wǎng)絡(luò)模型參數(shù)并輸出診斷結(jié)果。否則r=r+1，對網(wǎng)絡(luò)進(jìn)行自適應(yīng)擴展直至條件成立。

5)將測試集輸入構(gòu)建的ADCNN，并利用該方法實現(xiàn)離心鼓風(fēng)機的故障診斷，驗證所提故障診斷方法的有效性。

2.3 模型評價指標(biāo)

準(zhǔn)確率(Acc)，精確率(Precision)，召回率(Recall)和F1-score是診斷問題中常用的4個評價指標(biāo)。為了量化所提方法在離心鼓風(fēng)機上的診斷表現(xiàn)，使用準(zhǔn)確率與F1-score來評估所提故障診斷方法的性能。準(zhǔn)確率表示正確分類的樣本數(shù)與樣本總數(shù)之比，F(xiàn)1-score是精確率和召回率的加權(quán)調(diào)和平均，綜合反映了兩者的結(jié)果。2個指標(biāo)的計算公式為

(13)

(14)

式中：TP為某一類別樣本yc被正確分類的數(shù)目；TN為其他類別樣本被正確識別的數(shù)目；FP為其他類別樣本被錯誤識別為yc的數(shù)目；FN為類別yc的樣本被識別錯誤的數(shù)目。

3 案例分析

3.1 實驗條件

本實驗中采用的BCD系列單級離心式鼓風(fēng)機故障模擬試驗臺如圖4所示，離心鼓風(fēng)機故障模擬試驗臺由轉(zhuǎn)子組件、齒輪箱、電機、潤滑裝置、數(shù)據(jù)采集系統(tǒng)及其他輔助零部件等組成。在轉(zhuǎn)子表面的水平與垂直方向上均裝有加速度傳感器用于采集不同方向上的振動信號；轉(zhuǎn)子的前軸承、后軸承、主推力軸承軸瓦處均裝有接觸式溫度傳感器用于獲取轉(zhuǎn)子溫度信號；電機的A相繞組、B相繞組與C相繞組上也均布置有接觸式溫度傳感器用于獲取電機三相繞組溫度；電氣柜裝有電流傳感器用于獲取電機電流；潤油裝置上裝有壓力傳感器用于獲取潤油壓力。

轉(zhuǎn)子是離心鼓風(fēng)機的核心部件，工作轉(zhuǎn)速一般為10～30 kr/min，長期工作在此高速環(huán)境下極易發(fā)生故障。因此，筆者在試驗臺上分別模擬了轉(zhuǎn)子正常、轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中、徑向碰磨和油膜渦動5種單一工況健康狀態(tài)。為了使得離心鼓風(fēng)機故障試驗臺模擬的工況更加符合工程應(yīng)用實際，在實驗中，正常與故障情況下共設(shè)置了5種變速工況：轉(zhuǎn)速分別為10, 15, 20, 25, 30 kr/min。離心鼓風(fēng)機故障模擬試驗臺的運行參數(shù)如表2所示。振動信號含有最為敏感的故障信息，圖5展示了轉(zhuǎn)子水平方向振動信號在每種健康狀態(tài)下的時域波形。

表2 試驗運行參數(shù)

圖5 5種健康狀態(tài)下轉(zhuǎn)子水平振動信號時域圖Fig. 5 Time domain diagram of the rotor’s horizontal vibration signal under five health states

3.2 數(shù)據(jù)集描述與模型參數(shù)

通過上述離心鼓風(fēng)機故障試驗臺，在每種轉(zhuǎn)速工況下，分別模擬5種不同的健康狀態(tài)，采集不同工況不同健康狀態(tài)下的傳感器數(shù)據(jù)。每種工況下信號連續(xù)采樣時間為16 s，樣本個數(shù)均為200。加速度傳感器、溫度傳感器、電流傳感器與壓力傳感器的采樣頻率均為12.8 kHz，因此，每個樣本信號包含1 024個數(shù)據(jù)點。經(jīng)數(shù)據(jù)層融合后的多源異類信息共含有6種信號，將此6種信號按順序堆疊成一個6通道樣本，每個樣本數(shù)據(jù)的維度為1×1 024×6。共設(shè)置有5種轉(zhuǎn)速工況，則每種健康狀態(tài)采集樣本數(shù)為1 000，共有5種健康狀態(tài)，因此采集樣本總數(shù)為5 000。從每類健康狀態(tài)中隨機選擇80%的樣本作為訓(xùn)練集，其余樣本作為測試集，最終得到的數(shù)據(jù)集如表3所示。

表3 轉(zhuǎn)子故障數(shù)據(jù)集描述

融合后的樣本數(shù)據(jù)集為一維樣本，故采用一維ADCNN，通過反復(fù)試驗調(diào)整相關(guān)參數(shù)，最終得到的初始支路網(wǎng)絡(luò)模型結(jié)構(gòu)包含3個卷積層、3個池化層和2個全連接層。卷積層參數(shù)如表4所示，所有的卷積層都進(jìn)行了全零填充處理，避免尺寸的變化，在每層卷積操作后進(jìn)行Dropout處理，以0.5的概率將網(wǎng)絡(luò)中的神經(jīng)元置零，提高ADCNN的泛化性能。池化層采用最大池化，池化大小為2，2個全連接層節(jié)點數(shù)分別為400與100。第1層卷積層采用較大的卷積核(64×1)可以增大模型輸入的感受野。第2層與第3層卷積層采用較小的卷積核(3×1)以及較深的網(wǎng)絡(luò)結(jié)構(gòu)可以充分挖掘信號中隱含的故障特征。實驗結(jié)果表明ADCNN的最佳網(wǎng)絡(luò)支路條數(shù)r為3，且每條支路與初始支路具有相同的結(jié)構(gòu)與參數(shù)。

表4 ADCNN卷積層參數(shù)

3.3 診斷結(jié)果及對比分析

為了驗證所提多源信息融合模式對離心鼓風(fēng)機故障診斷的有效性，分別將按所提方法融合的多源信息、按傳統(tǒng)方法融合的多源信息、轉(zhuǎn)子振動信號輸入構(gòu)建的故障診斷模型，其中，傳統(tǒng)的多源信息融合方法是將多個信號串行疊加為一個信號。共有10種信號信息，每個樣本包含1 024個數(shù)據(jù)點，因此，按照傳統(tǒng)的多源信息融合方法其數(shù)據(jù)輸入維度為10 240。為了進(jìn)一步說明ADCNN的優(yōu)越性，對比了CNN、BPNN和SVM在不同融合模式下的故障識別能力。其中CNN與ADCNN初始支路結(jié)構(gòu)、參數(shù)相同，BPNN對應(yīng)3種融合模式的結(jié)構(gòu)分別為2 048-600-200-5, 10 240-600-200-5, 6 144-600-200-5，SVM使用高斯徑向基函數(shù)作為核函數(shù)。為了消除偶然誤差的影響，每種方法各進(jìn)行了10次試驗。表5總結(jié)了不同方法在測試集上10次試驗結(jié)果的平均值。

表5 不同故障診斷方法的試驗結(jié)果

從表5可以看出，多源信息融合相比單一的振動信號有著更為優(yōu)越的診斷效果，另外，所提出的多源信息融合方法在診斷表現(xiàn)上也明顯優(yōu)于傳統(tǒng)的融合模式。以ADCNN為例，3種融合模式的診斷平均準(zhǔn)確率分別為81.46%, 89.33%, 99.12%?？梢姸鄠鞲衅餍盘柸诤峡梢蕴峁└鼮樨S富的故障診斷信息，且所提融合方法標(biāo)準(zhǔn)差更低，診斷結(jié)果更穩(wěn)定。與CNN及其他的機器學(xué)習(xí)方法相比，ADCNN實現(xiàn)了99.12%的平均準(zhǔn)確率，F(xiàn)1-score為99.11%，其診斷性能普遍優(yōu)于傳統(tǒng)的CNN及其他淺層學(xué)習(xí)網(wǎng)絡(luò)，說明基于ADCNN的故障診斷方法可以有效地從多源信息中自適應(yīng)提取代表性的故障特征并完成故障分類。

t-SNE是一種非線性降維算法，能夠可視化網(wǎng)絡(luò)學(xué)習(xí)的特征分布[17]。不同診斷方法提取后的特征經(jīng)降維后的二維散點圖如圖6所示。散點圖的兩坐標(biāo)軸均無實際意義，只是表征不同特征間的分布距離。可以發(fā)現(xiàn)同一故障狀況下的特征被聚集在一起，不同故障狀態(tài)下的特征彼此分開。與使用單一振動信號和傳統(tǒng)的多源信息融合模式相比，所提出的多源信息融合模式展現(xiàn)出更為優(yōu)越的特征可分性，且僅有較少的故障狀態(tài)特征被誤分類為正常狀態(tài)。與CNN、BPNN相比，ADCNN也展現(xiàn)出更好的特征學(xué)習(xí)能力，通過多層卷積運算離心鼓風(fēng)機各多源信號間的隱含特征被自適應(yīng)提取。全連接層對特征進(jìn)行整合處理，增大了不同健康狀態(tài)下特征分布的距離，使得特征區(qū)分更明顯，結(jié)果表明所提出的方法展現(xiàn)出最佳的診斷性能。

圖6 不同診斷方法下的t-SNE特征可視化圖Fig. 6 Visualization of t-SNE features with different diagnosis methods

4 結(jié) 論

1)筆者分析了離心鼓風(fēng)機的多源信息組成，提出了一種數(shù)據(jù)層與特征層相結(jié)合的多源信息融合框架，基于相關(guān)性方差貢獻(xiàn)率法實現(xiàn)了多源同類信息的數(shù)據(jù)層融合，利用ADCNN自適應(yīng)地提取各異類信息的特征完成特征融合，有效利用了各信息間的相關(guān)互補性。

2)建立了基于多源信息融合和ADCNN的離心鼓風(fēng)機故障診斷模型，并在離心鼓風(fēng)機故障模擬試驗臺上進(jìn)行了試驗驗證，結(jié)果表明，ADCNN有著更為優(yōu)越的自適應(yīng)特征提取能力，融合了多源信息后的轉(zhuǎn)子故障診斷準(zhǔn)確性與穩(wěn)定性均優(yōu)于其他方法。

3)筆者在進(jìn)行離心鼓風(fēng)機的故障診斷時只是對所有多源信息做了融合處理，而離心鼓風(fēng)機各多源信息對故障的敏感程度不同。因此，綜合考慮各信息間的關(guān)聯(lián)度對診斷的影響是下一步研究的重點。