多源信息融合的滾動軸承故障診斷是一種結合來自多個傳感器或信號源的信息，以提高故障檢測和診斷準確性的方法。

（1）數據層融合：將原始數據的直接融合。 其輸入是由多個傳感器提供的各種類型的原始數據，其輸出為特征提取或者局部決策的結果。

• 優點：可以從其它融合層中沒有的原始 數據中提取更多細節。
• 缺點：較繁重的計算負擔、 較差的實時性能以及需要良好的容錯能力來處理傳 感器數據本身的不穩定性和不確定性，且僅適用于同類傳感器的原始數據融合。

（2）特征層融合：提取數據源的特征信息， 進行分析和處理，保留足夠的重要信息，為后期決策分析提供支持。

• 優點：提取原始數 據信息特征后，減少了待處理的數據量，提高了實時性。

（3）基于CNN、LSTM、Transformer的特征層融合診斷模型：

• CNN用 1D 卷積提取時序局部特征；。
• LSTM用循環結構，捕捉全局時序依賴；
• Transformer用自注意力機制捕捉長距離特征；
• 三路特征拼接后融合，再送入全連接分類器。

1 多源軸承故障數據的預處理

1.1 導入數據

東南大學數據集主要分為軸承數據集和齒輪箱數據集，每個故障類型均對應這個兩種工況（轉速20Hz（1200rpm）-負載0V(0Nm) 和轉速30Hz(1800rpm)-負載2V(7.32Nm)）分別對應著gearset和bearingset文件夾。軸承數據集（5種類型）：

• 滾珠故障（Ball fault）
• 內圈故障（Inner ring fault）
• 外圈故障（Outer ring fault）
• 復合故障（Combination fault on both inner ring and outer ring）
• 正常運行（Health woring state）

我們以5分類軸承數據集進行預處理講解，

數據集為8通道！

1.2 數據集預處理

現在把設置樣本的兩個參數固定 ：

   - 樣本窗口大小：W = 1024

   - 重疊率：overlap = 0.5

通過滑動窗口制作數據集，并按照7：2：1均勻劃分訓練集、驗證集、測試集，最后保存數據，劃分完成的數據集分布情況如下：

2 基于CNN-LSTM-Transformer的特征層融合的故障診斷模型

2.1 定義CNN-LSTM-Transformer分類網絡模型

2.2 設置參數，訓練模型

50個epoch，準確率100%，用 CNN-LSTM-Transformer特征融合 網絡分類效果顯著，能夠從多源故障信號特征中提取出對模型識別重要的特征，效果明顯!

2.3 模型評估

（1）準確率、精確率、召回率、F1 Score

（2）故障5分類混淆矩陣：

（3）分類標簽可視化

（4）原始數據 t-SNE特征可視化

（5）模型訓練后的 t-SNE特征可視化：

tsne-可視化.png

? ?

本文轉載自???????建模先鋒???????，作者：小蝸愛建模