一种面向旋转机械多传感器故障诊断的模态融合深度聚类方法

来源：电子与信息学报杂志2025年第1期北京时间：

作者：伍章俊, 许仁礼, 方刚, 邵海东

单位：1.合肥工业大学管理学院 合肥 2300092.过程优化与智能决策教育部重点实验室 合肥 2300093.智能决策与信息系统技术教育部工程研究中心 合肥 2300094.湖南大学机械与运载工程学院 长沙 410082

摘要：针对单传感器和单模态信号特征信息不足的问题，该文提出一种基于多模态融合的端到端深度聚类旋转机械多传感器故障诊断方法(EDCM-MFF)。首先，利用门控递归单元自编码模块提取多传感器故障信号的深度时序特征。然后，应用短时傅里叶变换(STFT)将故障信号转换为时频图像，并通过卷积自编码器提取这些图像的深度空间特征。接着，设计了一种模态融合注意力机制，通过计算不同模态深度特征之间的亲和矩阵，实现模态特征的融合。最后，采用Kullback-Leibler(KL)散度聚类，以端到端方式实现故障类型的识别。实验结果显示，该方法在东南大学齿轮箱和轴承数据集上的识别准确率分别为99.16%和98.63%。与现有的无监督学习方法相比，所提方法能够更有效地实现多传感器和多模态的旋转机械故障诊断。

关键词：旋转机械, 故障诊断, 多模态融合, 深度聚类

基金资助：国家自然科学基金(52275104)，湖南省创新平台与人才计划(2023RC3097)