一种基于多源数据三级融合策略的船舶电机故障诊断方法

《Ocean Engineering》：A fault diagnosis method for ship motors based on a multi-source data three-level fusion strategy

　　袁旭|何德强|金珍珍|孙海蒙|张星武|张松|杨富
广西大学机械工程学院制造系统与先进制造技术重点实验室，中国南宁530004

摘要
三相异步电机广泛应用于各种领域，如船舶推进系统和辅助动力系统。准确监测其运行状态对于确保船舶航行安全至关重要。然而，大多数现有方法仅限于单级融合策略，这限制了人们对多源数据中信号特征的全面探索。因此，本文提出了一种基于多源数据三级融合策略（MDTFS）的诊断方法。首先，使用图卷积网络和改进的卷积神经网络提取不同类型的特征，并通过注意力机制重新分配各通道的权重以增强关键特征。最后，设计了一种基于熵加权的决策级融合方案，以减少不良诊断通道的影响并提高最终决策的有效性。实验结果表明，MDTFS能够有效诊断多种类型的电机故障，最大准确率达到98.12%。凭借其在海洋三相异步电机中的出色诊断性能和维护支持能力，预计该方法将提高船舶电机的诊断精度，从而提升未来实际应用中的船舶安全性。

引言
随着新能源产业的快速发展，船舶电动推进系统的应用率持续上升，这显著提高了燃油效率，并逐渐成为实现绿色低碳转型的关键手段。然而，船舶电机通常面临高温高湿、盐雾腐蚀等恶劣工作环境，这些因素容易导致电机内部故障（Zhu等人，2025a；Huang等人，2026）。为确保船舶航行安全并避免电机故障引发的事故，开展电机智能故障诊断（IFD）技术的研究具有重要意义。

传统的电机故障诊断方法通常依赖振动和电流等监测信号，并结合机器学习算法来评估设备运行状态（Liu和Gan，2025）。这些方法常用小波变换和线性频率调制变换等信号处理技术将采集的原始信号分解到特定域中，从而突出电机故障的典型特征。随后，根据电机系统的特征构建特征参数或指标来定量表示不同的故障情况。最后，利用随机森林和决策树等机器学习算法训练分类模型以实现电机故障的有效识别和诊断（Huang等人，2024）。然而，上述传统诊断方法在实际应用中面临诸多挑战：首先，传统机器学习算法在处理高度非线性、非平稳且受噪声强烈影响的电机故障信号时表现较差，难以满足实际诊断需求；其次，基于专家知识手工制作的特征具有主观性，限制了模型的泛化能力；更重要的是，船舶电机的实际工作环境复杂多变，手动提取的特征难以涵盖所有故障场景。

随着大数据技术的发展，数据驱动的IFD方法受到研究者广泛关注。基于深度学习的IFD方法无需人工输入即可进行特征提取，在多种诊断场景中得到广泛应用（He等人，2025b；Wang等人，2024；Qin等人，2026；Chen等人，2024）。研究人员提出了多种用于电机故障诊断的深度学习方法，其中图卷积网络（GCN）和卷积神经网络（CNN）在电机故障诊断中取得了良好效果（Guo和Zhao，2026；He等人，2025c，2025d；Yu等人，2025a）。然而，大多数现有方法严重依赖单传感器数据，可能导致关键信号成分丢失并增加对外部干扰的敏感性，从而影响电机故障信息的全面捕获。此外，由于电机由多个组件构成复杂系统级设备，仅依赖单传感器数据往往导致诊断结果不准确（He等人，2023）。因此，整合多类型传感器数据以实现多源数据融合受到了广泛关注。利用多种数据源可以有效克服单传感器诊断的局限性，提高诊断结果的可靠性。

在电机故障诊断研究中，根据融合阶段可将多源数据融合分为数据级融合、特征级融合和决策级融合（Kibrete等人，2024），每种策略的诊断流程如图1所示。数据级融合涉及合并来自多个传感器的同质原始数据形成统一数据集（Chen等人，2019）。该方法的优势在于能够充分利用收集的数据同时减少信息损失。Hang等人（2024）提出了一种基于轻量级多源信息融合的永磁同步电机故障诊断方法，该方法通过等角重采样预处理电流和电压信号，并采用并行架构实现数据级融合。Li等人（2024）提出了一种动态数据级融合方法，用于多传感器振动信号，通过相关方差贡献算法优化数据映射，显著提高了故障分类精度。Azamfar等人（2020）通过将来自多个电流传感器的频域数据堆叠成二维矩阵，进行多源传感器信号的数据级融合，并通过CNN实现自动特征学习，从而提高诊断精度。然而，数据级融合通常假设传感器数据具有高结构一致性，这在实际应用中可能不成立。此外，当前的数据级融合策略大多仅对不同传感器的数据进行加权求和或维度拼接，不足以有效处理异构传感器数据的融合需求。

特征级融合涉及从多个传感器获取的原始数据中分别提取特征，然后通过注意力机制或特征组合等方法进行特征融合（Huang等人，2023）。这种融合策略对传感器数据的一致性要求较低，具有较高的灵活性和泛化能力。Xia等人（2022）提出了一种基于层次注意力机制的多源数据融合故障诊断方法，通过在每层引入注意力机制实现特征加权融合。Wang等人（2023）构建了传感器的时空图结构，应用注意力模块自适应学习各传感器的权重和相关性，实现特征级数据融合。Zhu等人（2025b）采用自适应特征模式分解和共图增强变换器构建特征拓扑图，该方法在强噪声干扰下显著提高了诊断精度。然而，当前的特征级融合策略通常依赖专家知识提取特征，以更好地表征不同类型的故障，但不同类型特征对融合结果的贡献程度不同，可能导致信息丢失。

决策级融合通过整合多个通道的诊断结果生成最终决策输出（Peng等人，2021）。在此阶段可应用加权投票、贝叶斯决策理论和基于机器学习的方法等多种融合技术。该策略具有高度灵活性，可根据具体应用需求结合不同的融合规则和算法。Zhong等人（2018）采用稀疏贝叶斯极端学习机对来自不同传感器的数据进行概率分类，并通过权重调整优化融合决策，实现高精度多传感器融合诊断。Gao等人（2024）通过对抗性迁移学习架构实现故障数据在多种工作条件下的特征迁移和域适应，并利用类相关决策融合策略有效融合多个源域的分类结果。Hoang等人（Hoang和Kang，2019）利用CNN提取每个电机相的电流信号特征，并引入决策级信息融合技术，将多个CNN模型的输出转换为分类问题，实现电机电流信号的有效融合。然而，决策级融合也存在一定缺点：该方法的分类器无法同时训练所有数据，因为它融合的是单个传感器生成的决策结果，由于决策系统无法访问完整数据集，可能导致诊断性能下降。

尽管上述数据驱动的故障诊断方法在特征学习和分类方面表现出色，但在应用于船舶电机系统时仍存在局限性。其有效性很大程度上取决于数据的质量和代表性，而复杂的海洋环境可能引入噪声、干扰和运行条件变化。因此，基于多源数据三级融合策略（MDTFS）的电机故障诊断方法旨在解决这些问题。该方法充分整合了数据级、特征级和决策级融合的优势，并为每个融合阶段设计了相应的实现方案，以实现高效电机故障诊断，从而确保船舶的安全稳定航行。MDTFS的创新之处不仅在于将数据级、特征级和决策级融合集成到单一架构中，还在于在每个融合阶段融入了特定任务导向的设计，将这些阶段组织成一个协调的框架。本研究的数据级融合采用多层图构建策略，结合动态阈值简化和传感器间拓扑耦合；特征级融合基于ACA-ICNN和注意力引导的跨通道融合机制进行特征提取；决策级融合采用熵加权可靠性评估和融合方案。

本文的主要创新点如下：
(1) 提出了一种多层图（MLG）构建方法，从单层图构建策略开始，结合动态阈值机制简化图结构，并结合多个传感器之间的拓扑关系，实现不同传感器数据之间的充分交互，提高数据级融合的准确性。
(2) 提出了一种基于自适应通道注意力改进的CNN（ACA-ICNN）的特征提取方法，有效提取样本中的关键特征。全连接层用于融合不同类型的特征，并提出了一种基于注意力机制的多通道特征权重自适应分配方法。融合后的特征经过重新分配，突出重要特征的贡献，同时采用不同线性层将特征投影到适合GCN和ACA-ICNN的维度。
(3) 提出了一种基于熵加权评估的决策级融合方法，用于评估每个通道模型的性能。计算不同通道输出的熵值以评估诊断结果的可靠性，该方法充分利用高性能诊断模型，提高最终诊断结果的准确性。

本文的其余部分安排如下：第二节简要总结了一些基本原理；第三节详细介绍了MDTFS的模型结构和流程；第四节基于收集的数据进行实验验证；第五节对全文进行总结。

**片段说明**
GCN是一种专门用于处理图结构数据的智能算法，与传统深度学习算法不同，GCN能够处理具有复杂拓扑关系的图结构数据（Yin等人，2023）。在电机故障诊断中，GCN的优势在于能够从一维传感器数据中有效提取多层次、多维信息，并通过构建图结构揭示传感器数据之间的内在联系。

**MDTFS模型简介**
针对现有多传感器数据融合诊断方法的不足，本文提出了一种基于多源数据三级融合策略的电机智能故障诊断方法。MDTFS的多源输入包括来自三个电流通道、三个电压通道和一个振动通道的三相电流信号、三相电压信号和振动信号。图2展示了该方法的简要诊断流程。

**数据采集与预处理**
图7所示的实验平台用于模拟实际工作条件下的电机故障信号。