典型机电设备运行状态的多源信息融合诊断方法研究

第一章 引言

在智能制造、工业 4.0 与两化深度融合的背景推动下，机电设备作为生产系统的关键执行与传动单元，其运行状态的安全性与稳定性直接关系到生产效率、能耗水平与产品质量。随着设备系统复杂度的提升及运行工况的多样化，仅依赖单一数据源如振动信号进行状态监测，往往存在信息不完整、特征表达能力不足、诊断准确率不高等问题，难以应对早期隐性故障的检测需求。因此，研究基于多源信息融合的运行状态诊断方法，已成为实现设备智能感知、预测维护与健康管理的关键技术路径。

第二章 典型机电设备运行状态信息特征分析

2.1 多源信号采集类型与特性

典型机电设备在实际运行过程中，其内部机械系统、电气系统及热力系统将持续产生各类动态响应信号，这些信号在频域、时域及空间域中表现出复杂的变化规律。为了全面掌握设备运行状态与潜在故障演化特征，需依赖多种传感器对关键物理量进行实时采集。根据传感对象与目标参数的不同，常见的多源监测数据可划分为振动信号、温度信号、电气信号、声学信号及图像信息等多个维度。具体而言，振动信号主要通过加速度传感器或速度传感器获取，是反映设备机械结构动态响应的核心信息来源，尤其在齿轮啮合不良、轴承损伤及不平衡状态下具有良好的灵敏性。温度信号则可由热电偶或红外热像仪获取，用于评估摩擦发热、润滑失效及电机过载等热相关异常。电气信号包括电流、电压、频率及功率因数等参数，能够反映电机绕组短路、电压不平衡及绝缘老化等电气隐患。声学信号利用麦克风或声发射传感器采集声压变化，可识别早期的冲击类故障与断裂信号，而图像类数据如热像图、红外图谱等则提供空间分布的热异常或结构缺陷的直观可视化信息，尤其适用于复杂结构区域的无接触检测。通过对多源信号进行协同采集与处理，不仅可以构建对设备运行状态的立体感知网络，还能够提升故障发现的时效性与精度，为后续的数据融合建模与诊断提供坚实基础。

2.2 不同数据源的互补性分析

由于设备运行过程具有高度非线性与时变特性，单一传感器往往难以捕捉全面的运行信息。在多种工况干扰与故障耦合的实际环境下，依赖单源数据往往会出现诊断偏差或误识别的情况。例如，在轴承早期微裂纹阶段，温度变化可能尚未显著，但高频振动信号中已可检测出冲击成分；而若设备处于高噪声车间环境，声学信号的信噪比将显著下降，容易掩盖关键异常信号。再如，在负载突变或启动瞬间，仅靠电流信号易受扰动影响，而此时热成像可能能够迅速反映局部发热异常区域。因此，不同传感信息间存在显著的互补性与冗余性，可构建更具鲁棒性的诊断决策系统。从信息融合的角度看，多源数据融合不仅能增强特征维度，提高模型训练泛化能力，还能在出现部分数据缺失或异常时，通过交叉验证增强系统容错能力。此外，不同模态数据所蕴含的特征表达方式互有侧重，如频域特征适合分析周期性变化，时域特征有助于捕捉瞬时冲击，空间图像特征可识别局部异常。因此，融合策略需结合特征层级、时间尺度与空间分布等因素进行设计，实现信息的深度融合与语义联动。

基于此，构建一套兼具时频解析、模态协同与特征权重自适应机制的信息融合框架，不仅能够提升机电设备运行状态识别的准确性，更有助于实现“从感知到认知”的健康管理升级转型，推动运维由经验主导向数据驱动的智能化演进。

第三章 多源信息融合诊断方法体系构建

3.1 数据预处理与时频特征提取

原始多源监测数据通常存在信号尺度不一致、噪声干扰显著、采样频率差异较大等问题，若不加处理直接输入诊断模型，将严重影响特征提取质量与分类准确性。因此，建立高效的数据预处理机制，是保障信息融合诊断系统有效运行的基础环节。首先，采用 Z-score 标准化与 Min-Max 归一化方法对不同源信号进行量纲统一与范围压缩，便于后续特征空间整合。其次，针对振动与电气信号，使用自适应阈值小波降噪法剔除高频干扰与工频背景噪声，而图像数据则通过双边滤波与边缘增强处理提升热像边界清晰度与纹理对比度，提升热异常区域可识别性。

在特征提取方面，本文采用多尺度、跨模态特征获取策略，以实现对故障行为的时序动态与空间变化的精准刻画。对于振动类信号，结合小波包分解（Wavelet PacketDecomposition, WPD）与经验模态分解（Empirical Mode Decomposition, EMD）进行多频带分解，提取各层信号的能量熵、峭度、偏度等统计量以表征冲击性变化。电流与电压信号则通过快速傅里叶变换（FFT）提取主频幅值、谐波失真率与功率谱密度，实现周期异常识别。热像图像数据通过灰度共生矩阵（GLCM）与局部二值模式（LBP）分析热斑纹理特征与局部梯度变化，声学信号则转换为 Mel 频率倒谱系数（MFCC），结合短时傅里叶变换（STFT）生成时间 - 频率谱图用于建模。通过上述方法构建的多模态特征空间，既保留了不同信息源的代表性特征，又具备高度互补性，为后续的融合建模与分类判别提供坚实的数据基础。

3.2 多通道卷积神经网络（MC-CNN）融合模型

针对多源异构数据融合建模问题，本文提出改进型多通道卷积神经网络（Multi-ChannelConvolutional Neural Network, MC-CNN）架构。该模型设计充分考虑各模态信号在物理意义、空间分布与特征维度方面的差异，采用并行卷积路径对每类信号独立提取特征，避免因特征维度不均衡导致的信息损失或过拟合问题。具体而言，模型包含四类输入通道：振动时序向量、频域谱图、热像图像矩阵及声学倒谱序列，分别对应一组专属卷积层与池化层，并在中间层引入批归一化（Batch Normalization）与 Dropout 机制提升训练稳定性与模型泛化能力。融合策略方面，MC-CNN 在每一条特征路径上提取高阶语义向量后，通过深层拼接（deepconcatenation）方式于特征融合层进行特征级联，并引入 Squeeze-and-Excitation（SE）注意力模块对各模态特征通道权重进行自适应调整，强化高贡献度模态的特征表达能力，抑制干扰维度。在融合层之后，设置多个全连接层，最终通过 Softmax 激活函数输出多类故障判别结果，支持多状态标签学习。该模型相比传统单通道 CNN 或简单融合模型（如早期融合或后决策融合）具有显著优势，不仅能保留模态差异性和结构层次性，还具备较强的表达能力与鲁棒性，尤其适用于复杂工况下的早期故障识别与多模态特征耦合识别任务。

第四章 工程案例验证与性能评估

为验证所提出多源信息融合诊断方法的有效性与工程适用性，本文结合典型制造场景中的实际机电设备系统，搭建了基于多模态感知的状态监测实验平台，通过系统采集、建模分析与结果对比，全面评估融合模型的诊断性能。本章主要从案例背景、数据构建、模型训练与指标评价四方面展开，系统呈现实验验证过程与结果分析。

4.1 工程背景与系统配置

选取某汽车零部件制造企业的典型柔性加工单元作为研究对象，其核心构成包括数控三相异步电机、蜗轮蜗杆减速器、伺服驱动模块与多级联动轴承系统。该设备组连续运行负荷较高、节拍频繁，常发生传动部件间隙增大、电气扰动、润滑不足与轴承微损等早期复合故障，对智能诊断的及时性和精度提出了较高要求。

基于实际运行需求，项目组在该设备平台部署了多类型智能传感器：包括三轴加速度计用于振动采集，热电偶与红外热像仪用于温升与表面温度监测，电流与电压传感器获取电气波动信息，阵列式 MEMS 麦克风采集声学异常，同时辅以 CCD 工业相机获取设备表面图像数据，实现从结构、热、电、声、视五个维度构建数据通道。采样系统依托工业边缘网关与嵌入式采集控制模块组成，通过多通道同步机制保证数据时序一致性。

4.2 多源数据构建与样本标注

本次实验周期为30 天，数据采集频率设置为：振动信号 10kHz ，电气信号 2kHz ，声学信号44.1 kHz，热像与图像2 fps。在设备不同工况运行下，采集到完整的运行周期数据4500组，涵盖六类状态：正常、轴承轻度磨损、齿轮啮合异常、电气过载、润滑不足及复合型故障。每类数据均经现场运维工程师与后期拆解诊断联合标注，确保标签准确性，提升模型训练的可靠性。为增强样本多样性与模型泛化能力，数据集在构建时引入了人工控制变量设计，例如在不同温湿度环境下采样、控制不同负载级别运行等，使模型具备对环境扰动与背景噪声的适应能力。所有数据经归一化、时序对齐与标签标准化处理后，按 8:2 比例划分为训练集与测试集，确保数据分布的统计一致性。

4.3 模型训练与对比实验设计

在模型训练阶段，本文采用提出的 MC-CNN 融合模型对样本集进行学习训练。模型结构参数通过交叉验证优化：卷积核大小设为 5×5 ，通道数根据模态数设定为 5 层，每通道引入 Batch Normalization 与 ReLU 激活，融合层添加 SE 注意力模块以调整各模态特征贡献度，全连接层输出多分类标签。对比实验选取 SVM、BP 神经网络、普通 CNN 与投票型集成模型四种主流方法进行性能比较，确保对比模型在数据处理方式、输入特征维度与训练周期上的一致性。评估维度包括准确率、召回率、F1 分数、AUC 曲线与故障类型识别混淆矩阵，力求从全局与细节两方面考察模型在多故障情形下的判别能力。

4.4 模型性能分析与结果讨论

实验结果显示，MC-CNN 模型在六类运行状态识别中均表现出优异性能，整体准确率达到 95% 以上，显著优于其余四类对比模型，特别是在复合型故障与轻微轴承损伤类别中，识别准确性较传统模型提升超过10 个百分点。F1 分数、AUC 均值也在0.94 以上，表明模型在保持高精度同时具备良好鲁棒性与分类均衡性。进一步分析混淆矩阵可发现，SVM 与 BP模型在相近故障模态之间存在一定交叉误判，如将齿轮啮合异常误判为轴承故障；而 MC-CNN 通过多模态特征融合显著增强了区分能力，有效抑制了模态之间的干扰识别。融合模型对声学特征与热像特征的自动权重调节作用，提升了对轻微故障的灵敏感知，特别是在早期润滑劣化与轴承摩擦发热的检测中具有明显优势。

除标准制造业机电设备外，所提多源融合方法亦适用于能源、电力、轨道交通、石化与航空等对设备可靠性要求极高的领域。在风电机组、电力变压器、城市轨交制动系统等典型对象中，其振动、电流、噪声与热特性信号可同步采集，具备高度模态耦合特性，天然适合本方法中所构建的多通道融合机制。随着工业现场数字化水平提升与边缘计算性能增强，融合模型的轻量化部署与定制化训练逐步成为现实。未来可基于知识蒸馏（knowledgedistillation）与模型剪枝（model pruning）技术，对原始深度神经网络结构进行压缩重构，降低部署资源需求，推动模型在嵌入式设备、工业边缘盒子或 AGV 控制终端上的应用落地。在方法层面，还可进一步引入图神经网络（GNN）、时序注意力机制（Temporal Attention）与迁移学习策略，使模型具备结构层次建模能力、时变特征强化能力与跨平台适应能力，解决样本不平衡、场景切换与特征漂移等现实挑战，提升系统的持续诊断与跨场景部署能力。

结论

在制造业智能化与运维精细化不断深化的背景下，传统基于单一数据源的机电设备运行状态监测与诊断方法已难以满足复杂工况下的高精度、全覆盖识别需求。本文围绕“多源异构信息融合”的核心理念，面向典型机电设备构建了一套融合振动、热、电、声、图像等多模态数据的智能诊断方法体系，系统开展了从特征提取、模型设计到工程验证的全流程研究，构建了多模态感知架构与数据采集体系。针对典型机电设备的运行机制与故障演化特征，系统整合五类感知维度，设计多传感器协同布设方案，形成具备高时效性与多维互补性的原始数据采集框架，为融合诊断奠定了坚实基础。

参考文献

[1] 高冲 . 煤矿井下机电设备运行状态监测与智能诊断 [J]. 现代制造技术与装备 ,2024,60(11):92-94.DOI:10.16107/j.cnki.mmte.2024.0801.

[2] 李雪锋 , 洪安庆 , 刘恒杰 , 等 . 升压汇集站电气设备故障诊断与预防性维护研究 [J]. 光源与照明 ,2024,(05):81-83.

[3] 张思颖 . 电气设备在变电运行中的监控及异常诊断措施探讨 [C]// 中国电力设备管理协会 . 全国绿色数智电力设备技术创新成果展示会论文集（二）. 国网福建省电力有限公司泉州供电公司 ;,2024:74-76.DOI:10.26914/c.cnkihy.2024.026289.