员工姓名：吴昊宏

班班级级：工业2018-01班

指导教师：张敏

毕设题目：多源数据融合的轴承质量诊断方法研究

一、概况

1.选题意义

随着科学技术的革新，现代机械设备不断向着大型化、精密化、集约化的趋势发展，机械设备结构变得愈发复杂，不同机械设备之间的联系也愈发紧密。机械设备内部任何一个部件出现故障，不但会影响设备本身，与此设备有关联的设备运转也会受到牵连，从而可能造成连锁事故的发生。这不仅影响正常的生产活动，甚至还会带来重大的安全事故，对工作人员的生命安全造成威胁。滚动轴承是工业生产中最常见、最基础的零件，作为机械设备的重要组成部分长期处在持续高负荷工作状态，发生故障的概率占到旋转机械设备故障的70%。因此，保障滚动轴承平稳正常的运行对于提升设备稳定性、保证工业生产的安全进行至关重要。提高滚动轴承故障诊断的准确率能够显著降低设备故障失效的可能性，以维护设备性能，提升其使用寿命。

通常，转子两端均布有轴承，单侧轴承故障引发的振动异常会通过转子传递至另一侧轴承。如果只采集单侧轴承的震动信号，进而对数据分析与获取诊断结果，虽然也可以进行电机滚动轴承的故障诊断，但是诊断结果正确率较低。多信息源数据融合可以提高故障诊断结果的准确率，为解决轴承故障诊断的不确定性提供了解决问题的新途径。实际运行过程中，两端轴承振动信号会同时进行采集。因此可以充分利用两端轴承故障信号，采用多源数据融合方法将信号进行融合，再进行数据分析及诊断，以此提升轴承故障诊断的效果。

2.任务分解

（1）调研、查阅和收集轴承故障诊断问题和深度学习算法的相关资料；

（2）研究凯斯西储大学轴承数据集并建立两端轴承样本数据集；

（3）研究基于D-S证据理论的多源数据融合方法；

（4）研究基于一维卷积神经网络的双输入轴承故障诊断模型；

（5）设计全面的对比实验验证所提方法的有效性与优越性；

（6）全文总结与展望。

二、已完成工作

（1）分别构建驱动端轴承和风扇端轴承样本数据集；

（2）建立基于一维卷积神经网络的双输入轴承故障诊断模型；

（3）以两端轴承信号样本作为输入数据，分别训练卷积神经网络；

（4）利用训练好的基于一维卷积神经网络的轴承故障诊断模型进行故障诊断；

（5）应用D-S证据理论对风扇轴承诊断结果和驱动端轴承诊断结果进行数据融合；

三、下一步工作计划

（1）分析模型诊断结果准确率出现偏差的原因，尝试做出调整

（2）考虑实现模型特征提取后在特征层面进行数据融合，和现有决策层融合结果进行对比

（3）加快论文写作进度，将已完成的模型框架等内容写完。

问题一：在构建轴承样本数据集过程中做了哪些工作？

回答：我采用的是美国凯斯西储大学轴承数据中心的数据集，可以从网络上直接下载数据包，但是下载好的数据文件无法直接使用。我首先从数据包中选取了需要用到的数据，然后编程将其导入到Python中。导入后还需要对其进行前期的数据处理，将数据格式调整为可供卷积神经网络处理的形式，最后再划分训练集和测试集。这样才算完成了轴承样本数据集的构建。

问题二：你现在完成的决策层融合和下一步工作中考虑实现的特征层融合有什么区别？

回答：数据融合有三个层面，分别是数据层、特征层和决策层，三者的区别之一就是融合的节点不同。结合我所采用的卷积神经网络来说，就是先融合再预测还是先预测再融合。我目前已完成的工作是训练好两端卷积神经网络后，利用其进行预测，再将预测的结果进行数据融合，这种对分类结果的融合就属于决策层融合；而下一步工作中考虑的特征层融合，则是在卷积神经网络提取完特征之后，就对提取的两端特征进行数据融合，再利用融合特征进行预测得出结果。

对我来说，选择这一个毕业设计题目是一个挑战。因为我从未接触过有关深度学习算法的相关内容，同时对于轴承的质量诊断也可以说是一知半解。我学过的知识大多是关于机械生产加工、物流规划以及供应链方面，对于Python编程的基础也只是局限于简单的规划问题。所以，毕业设计的过程，也可以说是我从头学习的过程，需要自己去总结，去寻找解决方法。关于深度学习算法和数据融合的有关知识，网上能找到很多的教程，但是教程并不是教材，它不能哪里不会点哪里，不可能有很强的针对性。尤其是对于卷积神经网络，虽然有很多现有的案例，但是每个案例处理的数据维度不同，特征提取的参数不同，想要依葫芦画瓢对我这个小白来说也并非易事，有时候连Python报的错都不知道是什么。但是俗话说得好，万事开头难，学习总是一个循序渐进的过程，不会一帆风顺。当我经过一个多月的学习，从一开始的生搬硬套、逐行逐句理解别人的代码，到后来的可以自己编写需要用到的代码，可以说有了长足的进步。这个过程也多亏了有指导老师和研究生学长的帮助。正所谓合抱之木，生于毫末；九层之台，起于累土；千里之行，始于足下。没有学习过程中的点滴积累，就没有最终的成果。看着现在完成的工作，再回忆起之前花费一晚上就研究几行代码的日子，就觉得我的努力并没有白费，也很庆幸自己的坚持。