本发明涉及机械结构故障诊断领域，具体涉及一种集成多源信息融合智能故障判断方法。
背景技术：
1、不同的应用场景和设备可能具有不同的故障特征和表现形式，因此缺乏统一的故障判断标准可能会影响到故障诊断的准确性和可靠性。
2、在当今工业设备中，大型设备设备昂贵，若是发生故障造成影响严重。当下科研方向主要利用单一信号源进行诊断，或者由经验丰富的专家根据现场数据和情况进行判断。
3、第一种方案，设备在发生故障时，多种传感器会检测到异常信号，仅仅利用单一信号源会由于噪音等因素存在造成故障漏检/误检；
4、第二种方案，专家经验的利用，很难快速培训后续人才，对于新型问题也需要快速跟进，难以达到精度。
技术实现思路
1、为解决上述技术问题，本发明提供了一种集成多源信息融合智能故障判断方法，该方法通过双流网络采集多源信号，以对设备或系统的状态进行全面监测和分析，这种综合分析能够更准确的揭示故障的特征和原因，提高故障诊断的准确性。
2、本发明的技术方案是：一种集成多源信息融合智能故障判断方法，包括以下步骤：
3、步骤1、利用双流网络的双输入特殊性，根据机械设备在某一恒定工况下的振动信号，利用连续小波变换的方法获取振动信号时频图，制作主干网络数据集；
4、根据机械设备在某一恒定工况下的扭矩信号、力矩信号，在新的维度进行拼接，制作分支网络数据集；
5、对于主干网络数据集和分支网络数据集进行划分，提取200组数据，以7：2：1的比例将数据集分为预训练集、验证集、测试集；
6、步骤2、构建双流网络；
7、步骤3、引入交叉注意力模块，分配双流网络的特征权重；
8、步骤4、通过数据集对双流网络进行训练、测试、验证，最后完成网络故障判断。
9、进一步的，步骤1中，以灵敏性高的振动信号作为判断基础，以多源信息融合作为判断提升依据。
10、进一步的，步骤2中，所述双流网格由动态卷积网络模块、残差收缩模块、通道注意力模块、交叉注意力模块、dropout层和下采样层组成。
11、进一步的，步骤2中，构建双流网络包括主干网络，使用动态卷积模块动态调整不同感受野卷积核的权重，并在通道层面利用通道注意力进行多通道的权重衡量。
12、进一步的，步骤2中，构建双流网络包括分支网络，使用残差收缩模块在网络层面去提高双流网络的抗噪能力，并在通道层面利用通道注意力进行多通道的权重衡量。
13、进一步的，步骤3中，从主干网络获取键、值，从分支网络获取查询值，通过计算查询和键的相关性获取权重，通过softmax函数进行归一化，最后与值(value)矩阵加权求和得到输出特征，最终分配双流网络的特征权重。
14、进一步的，步骤4中，还包括采用训练数据集对双流网络进行训练，利用融合的双流网络提取的特征训练双流网络参数，并完成故障分类识别，以得到预测数据集和真实数据集误差统计分析；
15、通过验证集输入双流网络，对双流网络对于任务识别能力进行性能分析，控制参数优化进度和方向，达到训练批次或者需求性能，结束迭代，冻结网络参数；在冻结的网络参数上，利用测试集进行双流网络故障判断。
16、本发明的有益技术效果是：
17、本网络利用双流网络：包含在数据输入和特征提取阶段相对独立的网络，进行故障检测。双流网络中的一支网络进行对于重要度高的信号进行小波变换生成2维网络图投入到网络中，作为故障判断的基准；振动信号对于故障的表征具有全局性，同时也容易收到环境噪声影响。本发明利用经过小波变换去噪处理的信号投入一支网络，作为故障判断的基准，提供整体特征分析；利用另一支包含多种信息源的信息，进行故障数据调整。对于主干网络信息进行补充。在特征决策层中，通过交叉注意力模块，数据提取出有效的信息特征，最后经过全连接层进行故障输出。；
18、本发明能够更全面地获取机械结构的运行状态信息，从而更准确地判断故障类型。相比传统的单一传感器诊断方法，本技术能够显著减少误判和漏判的情况，提高故障诊断的准确性和可靠性。
19、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
1.一种集成多源信息融合智能故障判断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的集成多源信息融合智能故障判断方法，其特征在于，步骤1中，以灵敏性高的振动信号作为判断基础，以多源信息融合作为判断提升依据。
3.根据权利要求1所述的集成多源信息融合智能故障判断方法，其特征在于，步骤2中，所述双流网格由动态卷积网络模块、残差收缩模块、通道注意力模块、交叉注意力模块、dropout层和下采样层组成。
4.根据权利要求1所述的集成多源信息融合智能故障判断方法，其特征在于，步骤2中，构建双流网络包括主干网络，使用动态卷积模块动态调整不同感受野卷积核的权重，并在通道层面利用通道注意力进行多通道的权重衡量。
5.根据权利要求4所述的集成多源信息融合智能故障判断方法，其特征在于，步骤2中，构建双流网络包括分支网络，使用残差收缩模块在网络层面去提高双流网络的抗噪能力，并在通道层面利用通道注意力进行多通道的权重衡量。
6.根据权利要求1所述的集成多源信息融合智能故障判断方法，其特征在于，步骤3中，从主干网络获取键、值，从分支网络获取查询值，通过计算查询和键的相关性获取权重，通过softmax函数进行归一化，最后与值(value)矩阵加权求和得到输出特征，最终分配双流网络的特征权重。
7.根据权利要求1所述的集成多源信息融合智能故障判断方法，其特征在于，步骤4中，还包括采用训练数据集对双流网络进行训练，利用融合的双流网络提取的特征训练双流网络参数，并完成故障分类识别，以得到预测数据集和真实数据集误差统计分析；
