基于多传感器信息融合迁移网络的机械故障诊断方法

技术领域

本发明涉及机械故障诊断技术领域，特别涉及一种基于多传感器信息融合迁移网络的机械故障诊断方法。

背景技术

机械系统结构复杂，零部件众多，为监测机械系统状态，系统关键部件的不同位置通常安装有多个传感器，以获取不同敏感程度以及互补的信息。然而，现有方法通常只利用单一传感器的信息进行故障诊断，诊断的可靠性受传感器安装位置、信号传递路径和多变工况等多种因素影响。如何有效的利用和融合多传感器信息，改进机械故障诊断模型的分类精度和诊断可靠性是现有领域研究的难题。

信息融合指对来自多传感器数据和相关信息进行组合，以获得高于单一传感器的高质量数据和结论。按照融合层次的不同，多传感器信息融合分为数据层、特征层和决策层三个层次的融合。数据层融合通常将多个传感器的数据采用加权融合算法和卡尔曼滤波等进行融合，然后从融合的数据中提取特征向量，并进行判断识别。特征层融合先从每种传感器提供的观测数据中提取相关的特征，然后采用神经网络和核主成分分析等融合成单一的特征向量，最后运用模式识别的方法进行处理。决策层融合属于高层次的融合，采用神经网络和D-S等方法对每个传感器的最终输出结果进行融合诊断。

目前基于特征层融合和决策层融合的信息融合方法，由于能很好的平衡计算速度和诊断精度，在智能故障诊断领域已得到比较广泛的应用。然而现有的基于特征层和决策层融合方法通常基于浅层网络结构，无法自动学习深度特征表示，面对复杂的机械系统诊断问题，融合的效果往往不理想，存在一定的局限性。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于多传感器信息融合迁移网络的机械故障诊断方法，该方法可以有效提高网络的机械故障诊断精度，改进实际工业设备的智能故障诊断性能。

本发明的第二目的在于提供一种基于多传感器信息融合迁移网络的机械故障诊断装置。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于多传感器信息融合迁移网络的机械故障诊断方法，步骤如下：

S1、多传感器数据采集：根据实际的机械设备运行状况，在机械设备的不同位置分别布置源域传感器，然后利用源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

根据机械设备的诊断需求，在同一个或不同机械设备布置目标域传感器，然后利用目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

S2、构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器相对应的M个卷积神经网络；

S3、构建每个卷积神经网络的损失函数：对于每个卷积神经网络，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异作为度量函数，构造最大均值差异损失函数，用于对每个源域数据和目标域数据进行适配；

S4、训练多传感器信息融合迁移网络诊断模型：将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数，然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度；

S5、测试阶段：当特征共享层和所有卷积神经网络参数都优化好以后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，将多个预测结果进行加权平均，输出最终的分类诊断结果。

优选的，源域传感器和目标域传感器为加速度传感器、声音传感器或者转速传感器。

优选的，特征共享层的网络结构由依次连接的一维卷积核的卷积层、批次归一化层和一维池化核的池化层组成，一维卷积核的卷积层用于预处理特征，提取出源域数据集中的源域传感器数据和目标域传感器数据的底层共享特征；批次归一化层和池化层用于减少底层共享特征的特征维度；

每个卷积神经网络由卷积层、池化层堆叠而成，用于提取每个降维后的源域传感器数据和目标域传感器数据的高维特征，卷积神经网络具有Softmax分类器，通过Softmax分类器输出最终概率。

优选的，每个卷积神经网络的监督分类损失函数

式中，J为交叉熵损失函数；j为卷积神经网络的序号；

最大均值差异损失函数用于将源域传感器数据和目标域传感器数据映射到一个再生核希尔伯特空间，进而减少两个数据的分布差异，最大均值差异度量两个数据分布的距离MMD(x,y)定义为：

式中，H表示这个距离是由φ(·)函数将数据映射到再生希尔伯特空间进行度量；n和m分别为源域传感器数据x

基于MMD(x,y)的定义式，对于每个源域传感器数据和目标域训练数据，其最大均值差异损失函数为：

式中，n

对于每个源域传感器数据和待诊断的目标域测试数据，其对应的最大均值差异损失函数为：

式中，D(G

每个卷积神经网络的总体损失函数为：

式中，λ为总体损失函数的参数，用于衡量两个损失函数的权重。

更进一步的，在步骤S4的每一次迭代中，分别按照源域传感器顺序依次训练第1个至第M个网络的过程如下：

将第一个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

同理，将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

以此类推，将第M个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化。

优选的，步骤S5中，最终的分类诊断结果p

其中，G

本发明的第二目的通过下述技术方案实现：一种基于多传感器信息融合迁移网络的机械故障诊断装置，包括：

源域传感器数据采集模块，用于利用根据实际的机械设备运行状况而布置于机械设备不同位置上的源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

目标域传感器数据采集模块，用于利用根据机械设备的诊断需求而布置于同一个或不同机械设备上的目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

模型构建模块，用于构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器相对应的M个卷积神经网络；

损失函数构建模块，用于构建每个卷积神经网络的损失函数，其中，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异作为度量函数，构造最大均值差异损失函数，以对每个源域数据和目标域数据进行适配；

模型训练模块，用于训练多传感器信息融合迁移网络诊断模型，其中，将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数，然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度；

测试模块，用于在特征共享层和所有卷积神经网络参数都优化好之后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，将多个预测结果进行加权平均，输出最终的分类诊断结果。

优选的，模型训练模块包括M个训练模块：

第一个训练模块用于将第一个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

第二个训练模块用于将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

以此类推，第j个训练模块用于将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

第M个训练模块用于将第M个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化。

本发明的第三目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的基于多传感器信息融合迁移网络的机械故障诊断方法。

本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的基于多传感器信息融合迁移网络的机械故障诊断方法。

本发明相对于现有技术具有如下的优点及效果：

(1)现有方法通常提取多个传感器的特征，进一步构建浅层网络模型对多传感器特征进行融合，无法处理源域和目标域任务的数据分布差异导致的域迁移问题。本发明基于多传感器信息融合迁移网络的机械故障诊断方法，采用多个源域传感器数据与目标域传感器数据构建多传感器信息融合迁移网络诊断模型，通过构建特征共享层，以及对每个源域传感器数据构建对应的卷积神经网络，在每个卷积神经网络中引入最大均值差异对算法进行度量，可有效减少每个源域传感器数据与目标域传感器数据的分布差异，同时在输出时，采用决策层融合，对多个网络输出概率值求加权平均，得出最终的分类诊断结果，可有效提升网络的分类精度，改进实际工业设备的智能故障诊断性能。

(2)本发明可有效利用同一个设备上不同位置传感器的信息，并从源域传感器数据与目标域训练数据构成的原始数据出发进行学习，通过融合多个传感器数据诊断信息，改进同一个设备新安装位置传感器数据的诊断精度，以及不同设备同一种类型传感器数据的诊断精度。

(3)本发明构建的特征共享层，作为一种特征预处理和降维方案，可以有效的对多个源域传感器数据和目标域传感器数据这些原始数据出发提取故障的底层特征，同时实现对高维原始数据的降维，从而可进一步构建具有轻量型卷积神经网络，通过构建的损失函数对源域和目标域数据进行学习和域适配，并最终执行决策层融合。所构建的模型，一方面实现了对多个源域数据的有效利用和信息融合，另一方面，通过采用特征共享层，以及具有三个卷积层的轻量型卷积神经网络，配备小型卷积核尺寸，可以有效的平衡特征学习能力，以及网络的运行效率。

(4)本发明构建的多传感器信息融合迁移卷积神经网络，结合多传感器信息融合、特征自动学习和提取、自适应特征域适配，轻量化网络以及决策层融合等，可及时有效的处理工业生产中来自设备的多个不同传感器信息，对机械大数据进行处理和融合，为机械设备的健康状况有效监测和诊断提供了潜在工具，适用于复杂的机械系统诊断。

附图说明

图1是本发明基于多传感器信息融合迁移网络的机械故障诊断方法的流程图。

图2是图1方法中的多传感器信息融合迁移网络诊断模型的示意图。

图3是本发明方法与CNN方案的分类精度比较图。

图4是加噪后的本发明方法与CNN方案的分类精度比较图。

图5是本发明基于多传感器信息融合迁移网络的机械故障诊断装置的结构框图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本实施例公开了一种基于多传感器信息融合迁移网络的机械故障诊断方法，所述方法采用特征共享层和多个卷积神经网络从源域诊断任务中的多个源域传感器历史数据上进行学习，并将其在带标签的源域数据集上学习到的知识迁移到无标签的目标域任务上，改进目标域任务的诊断性能。如图1所示，步骤如下：

S1、多传感器数据采集：根据实际的机械设备运行状况，在机械设备的不同位置分别布置用于采集故障数据的源域传感器，然后利用源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

根据机械设备的诊断需求，在同一个或不同机械设备布置用于采集故障数据的目标域传感器，然后利用目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

这里，源域传感器和目标域传感器是同种类型的传感器，可以是加速度传感器，也可以是声音传感器或者转速传感器。当为加速度传感器时，故障数据为传感器所在位置对应的加速度数据；当为声音传感器时，故障数据为传感器所在位置接收到的声音的波形和强度；当为转速传感器时，故障数据为传感器所在位置对应的转速数据。

S2、构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器(传感器1，传感器2，……，传感器M)相对应的M个卷积神经网络(卷积神经网络1，卷积神经网络2，……，卷积神经网络M)，可参见图2。

其中，特征共享层的网络结构由依次连接的一维卷积核的卷积层、批次归一化层和一维池化核的池化层组成。考虑深度网络的底层特征通常具有通用性，特征共享层采用一维卷积操作来预处理特征，提取出源域数据集中的源域传感器数据和目标域传感器数据的底层共享特征，并进一步利用批次归一化和最大池化操作来减少底层共享特征的特征维度。本实施例中，该层网络卷积核采用较大的卷积尺寸，卷积核尺寸设定为16，卷积核数目设定为20。

经过特征共享层的特征提取和维度简约，进一步根据源域传感器数目M构建M个由卷积层、池化层堆叠而成的轻量型卷积神经网络。本实施例的卷积神经网络由三个卷积层、三个批次归一化层、三个最大池化层、一个全连接层和Softmax分类器组成，卷积核尺寸设置为3，滤波器数目为20、40和40。全连接层节点设置为500，用于提取每个降维后的源域传感器数据和目标域传感器数据的高维特征，Softmax分类器用于输出最终概率。

这里，卷积神经网络采用轻量型卷积神经网络。一方面，轻量型的深度网络结构能够有效的对不同源域传感器数据和目标域传感器数据提取高维特征，另一方面，由于网络参数量的减少，在训练过程中，通过固定特征共享层的参数，可以对多个源域传感器数据和目标域传感器数据进行快速学习和训练，有效的减少计算时间和更新效率。

S3、构建每个卷积神经网络的损失函数：对于每个卷积神经网络，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异(Maximum Mean Discrepancy，MMD)作为度量函数，构造最大均值差异损失函数，用于对每个源域数据和目标域数据进行适配。

其中，每个卷积神经网络的监督分类损失函数

式中，J为交叉熵损失函数；j为卷积神经网络的序号；

最大均值差异损失函数用于将源域传感器数据和目标域传感器数据映射到一个再生核希尔伯特空间，进而减少两个数据的分布差异，最大均值差异度量两个数据分布的距离MMD(x,y)定义为：

式中，H表示这个距离是由φ(·)函数将数据映射到再生希尔伯特空间进行度量；n和m分别为源域传感器数据x

基于MMD(x,y)的定义式，对于每个源域传感器数据和目标域训练数据，其最大均值差异损失函数为：

式中，n

对于每个源域传感器数据和待诊断的目标域测试数据，其对应的最大均值差异损失函数为：

式中，D(G

基于第一阶段构造的分类损失L

式中，λ为总体损失函数的参数，用于衡量两个损失函数的权重。

S4、训练多传感器信息融合迁移网络诊断模型：将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数；

然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度，也即是先利用第一个源域传感器的源域数据集和目标域训练数据对特征共享层和第一个卷积神经网络进行训练，接着采用第二个源域传感器的源域数据集和目标域训练数据对特征共享层和第二个卷积神经网络进行训练，再采用第三个源域传感器的源域数据集和目标域训练数据对特征共享层和第三个卷积神经网络进行训练，如此循环训练，直到完成所有卷积神经网络的训练优化，此时完成了一次迭代，接下来的每次迭代都按照这一过程进行训练。

每次迭代的详细过程如下：

将第一个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

同理，将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

以此类推，将第M个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化。

这里，可以对特征共享层的网络结构和卷积神经网络分别设定不同的学习率，比如将特征共享层的学习率设定为0，则网络在更新过程中，只需更新卷积神经网络的参数，而特征共享层的参数可以采用上一步数据更新的参数，可以明显加快计算速率，同时，这作为一种权值迁移手段，可以避免网络的过拟合风险。

S5、测试阶段：当特征共享层和所有卷积神经网络参数都优化好以后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，这里的预测结果即是Softmax分类器输出的概率，将多个预测结果进行加权平均，输出最终的分类诊断结果。

最终的分类诊断结果p

其中，G

为验证上述方法，本实施例还以风力发电装备和直升机中常用的行星齿轮箱故障对上述方法的性能进行评估。

试验数据采集自三级结构的行星齿轮箱。它参考真实风力发电场行星齿轮箱结构，以一比一的比例设计而成。试验的行星齿轮箱共有三级传动，第一级传动由太阳轮、行星轮和内齿圈组成，其中齿轮箱的第一级传动内齿圈与箱体固定连接，三个行星轮均匀布置在行星架上，由太阳轮输入，行星轮输出。第二级传动由太阳轮、行星轮和内齿圈组成，由行星轮输入，太阳轮输出。第三级传动由大齿轮和小齿轮组成，大齿轮输入，小齿轮输出。

在行星齿轮箱故障试验中，驱动端由驱动电机驱动小齿轮输入，运行转速为1800r/min，而加载端采用加载电机配合对应的五档齿轮箱施加800N·m的负载。为仿真不同的故障类型，分别对第二级行星轮和第三级小齿圈齿轮设置半断齿故障。具体的故障类型如表1所示。从行星齿轮箱获取三个不同位置的传感器进行多源信息融合和诊断。每个传感器以24kHz采样频率采集对应点的箱体振动加转速信号。将获得的信号以窗长2048进行信号截取，获得每种健康状况下的380个数据样本。传感器1数据(数据集A)采集自第一级行星架轴承+z轴方向。传感器2数据(数据集B)采集自第二级齿圈正上方的+z轴方向。传感器3数据(数据集C)采集自第三级输入端轴承+z轴方向。

表1

为模拟实际的多源域迁移任务，根据获取的三个传感器数据集，考虑多传感器信息融合迁移任务，共设计三种源域和目标域迁移任务如表2所示。将三个传感器中的每个传感器获取的数据当作一个独立的数据集，数据集包含三类健康状况，每种工况有380个数据样本，共有1140个数据样本。在试验中，为构造源域和目标域任务，在多源域迁移时，为充分利用获取的多个源域历史数据，将获取的三个传感器中任意两个传感器数据当作源域数据，而剩下的一个当作目标域数据集，以实施多传感器融合的迁移任务，因而，共获得三个多源域迁移任务，如表2所示。

表2

在多传感器信息融合迁移方案中，以A+B→C为例，A和B是分别来自传感器1和传感器2的信息，并当作源域数据，用于信息融合，C是来自传感器3的无标签的目标域数据。在迁移阶段，利用来自A和B的标签源域训练数据和来自C的无标签目标域训练数据用于训练，而来自C的其余无标签目标测试数据进行测试。这里，所有源域数据集都是有标签的数据，而目标域数据集则是无标签的数据。在每个试验中，随机选择一半数据用于训练，而其余无标签目标数据用于测试。

为验证本实施例方法的有效性和优越性，将本实施例方法在单传感器迁移诊断和多传感器迁移任务上进行测试。同时采用传统的CNN方案作为对照，CNN提取高维特征并执行故障分类，在多传感器融合阶段，两个不同的源域传感器数据分别训练一个CNN，在测试阶段，两个CNN的输出概率进行求和取平均，获得最终融合的结果，可参见图3。图3中迁移学习技术MITN代表本实施例方法，CNN代表CNN方案，每个柱体上的“I”为代表误差的误差棒。

为进一步研究在更强的噪声环境下算法的抗噪性能，在测试阶段，对原始测试数据集添加一定水平的高斯白噪声。在试验中，首先采用训练数据训练网络，然后对每个测试数据都添加了零均值高斯白噪声，其信噪比(Signal-to-Noise Ratio，SNR)为8dB，并将加噪后的测试数据集分别输入到CNN信息融合诊断网络中，进行迁移任务分类，以进一步的比较不同方法的抗噪性能。结果如图4所示，图4中每个柱体上的“I”为代表误差的误差棒。

在A+B→C的迁移任务中，CNN和本实施例MITN诊断精度(也即分类精度)分别为96.21％(标准差2.33％)和96.99％(标准差1.97％)，相比未加噪信号的结果，其分类精度只有轻微的下降。在A+C→B的迁移任务中，CNN和本实施例MITN诊断精度分别为76.74％(标准差7.87％)和91.15％(标准差8.74％)，相比未加噪信号时的融合结果，分别下降近17％和1％，这表明本实施例方法明显具有更好的精度、更强的抗噪能力和泛化性能。

因此，采用迁移学习技术MITN在三个迁移融合任务上，比传统的CNN明显具有更高的分类精度，表明本实施例方法通过利用目标域的无标签数据集最小化源域和目标域的特征分布差异，可以明显的改进不同传感器数据下的迁移能力，获得更稳定和更高的诊断精度。

实施例2

本实施例公开了一种基于多传感器信息融合迁移网络的机械故障诊断装置，如图5所示，包括：

源域传感器数据采集模块，用于利用根据实际的机械设备运行状况而布置于机械设备不同位置上的源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

目标域传感器数据采集模块，用于利用根据机械设备的诊断需求而布置于同一个或不同机械设备上的目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

模型构建模块，用于构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器相对应的M个卷积神经网络；

损失函数构建模块，用于构建每个卷积神经网络的损失函数，其中，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异作为度量函数，构造最大均值差异损失函数，以对每个源域数据和目标域数据进行适配；

模型训练模块，用于训练多传感器信息融合迁移网络诊断模型，其中，将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数，然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度；

其中，模型训练模块包括M个训练模块：

第一个训练模块用于将第一个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

第二个训练模块用于将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

以此类推，……

第j个训练模块用于将第二个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化；

第M个训练模块用于将第M个源域数据集的源域传感器数据x

并采用反向传播算法，结合Adam优化算法进行优化。

测试模块，用于在特征共享层和所有卷积神经网络参数都优化好之后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，将多个预测结果进行加权平均，输出最终的分类诊断结果。

在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

实施例3

本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的基于多传感器信息融合迁移网络的机械故障诊断方法，具体如下：

S1、多传感器数据采集：根据实际的机械设备运行状况，在机械设备的不同位置分别布置用于采集故障数据的源域传感器，然后利用源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

根据机械设备的诊断需求，在同一个或不同机械设备布置用于采集故障数据的目标域传感器，然后利用目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

S2、构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器相对应的M个卷积神经网络；

S3、构建每个卷积神经网络的损失函数：对于每个卷积神经网络，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异作为度量函数，构造最大均值差异损失函数，用于对每个源域数据和目标域数据进行适配；

S4、训练多传感器信息融合迁移网络诊断模型：将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数，然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度；

S5、测试阶段：当特征共享层和所有卷积神经网络参数都优化好以后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，将多个预测结果进行加权平均，输出最终的分类诊断结果。

本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。

实施例4

本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例1所述的基于多传感器信息融合迁移网络的机械故障诊断方法，具体如下：

S1、多传感器数据采集：根据实际的机械设备运行状况，在机械设备的不同位置分别布置用于采集故障数据的源域传感器，然后利用源域传感器获取各位置对故障不同敏感程度的故障数据，从而构成多个源域数据集

根据机械设备的诊断需求，在同一个或不同机械设备布置用于采集故障数据的目标域传感器，然后利用目标域传感器获取该机械设备的故障数据，从而构成目标域数据集{x

S2、构建适用于半监督迁移诊断任务的多传感器信息融合迁移网络诊断模型，该模型具有特征共享层和连接特征共享层的与M个源域传感器相对应的M个卷积神经网络；

S3、构建每个卷积神经网络的损失函数：对于每个卷积神经网络，先构建基于监督训练的监督分类损失函数，为了减少每个卷积神经网络中源域传感器数据特征和目标域传感器数据特征的分布差异，再引入最大均值差异作为度量函数，构造最大均值差异损失函数，用于对每个源域数据和目标域数据进行适配；

S4、训练多传感器信息融合迁移网络诊断模型：将目标域数据集的数据分为目标域训练数据和目标域测试数据，当每个网络的损失函数构建好之后，先设置网络的迭代次数，然后采用反向传播算法和Adam算法，在每一次迭代中，基于M个源域数据集和目标域训练数据，按照源域传感器顺序依次训练第1个至第M个网络，直至达到迭代次数或者分类精度；

S5、测试阶段：当特征共享层和所有卷积神经网络参数都优化好以后，将待诊断的目标域测试数据输入到特征共享层，经过特征共享层和M个卷积神经网络层以及监督分类损失、最大均值差异后，输出多个卷积神经网络的预测结果，将多个预测结果进行加权平均，输出最终的分类诊断结果。

本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。