CN114739667B - 一种多模态信息融合轴承润滑状态监测装置及方法 - Google Patents

Abstract

本发明公开一种多模态信息融合轴承润滑状态监测装置及方法，***包括下位机和上位机，下位机设置在轴承体的固定部位，下位机包括信号采集模块、通信模块以及核心处理器模块，信号采集模块用于采集轴承转动过程中的超声、声音、振动、温度，信号采集模块连接核心处理器模块的输入端，核心处理器模块与通信模块通过I/O接口连接，下位机与上位机通过通信模块通信；下位机将监测得到的超声、声音、振动、温度等数据通过通信模块发送到上位机，或在下位机上进行本地备份保存，上位机接收下位机数据，进行数据存储、数据分析、数据显示和诊断；本发明所述***缩短信号传播距离，超声信号长距离传输高频衰减问题得到解决，极大提升了信号的信噪比。

Description

一种多模态信息融合轴承润滑状态监测装置及方法

技术领域

本发明属于机械测试技术领域，具体涉及一种多模态信息融合轴承润滑状态监测装置及方法。

背景技术

滚动轴承作为旋转机械的重要组成部分，在工程中起着十分关键的作用。相关统计数据表明，旋转机械中30％的故障起因为轴承故障，而轴承故障的80％与轴承的润滑相关。因此，保证滚动轴承润滑的有效性对保障旋转机械的安全健康运行具有重要的意义。

随着对轴承运行可靠性要求的不断提高，轴承润滑状态监测已经进行了很多研究工作。如中国专利CN 108844742 A《一种风电机组发电机轴承润滑状态监测方法和***》利用振动传感器收集风电机组发电机轴承及轴承座附近部件的振动数据，通过网线及交换机传递至风场监控中心服务器，与干摩擦振动特征进行比较实现对风电机组发电机轴承润滑状态的实时监测。此专利实现方便，成本低，但由于润滑状态信号更多集中在高频成分，单一的振动传感器难以有效获取相关信息，同时，由于振动传感器更多安装于旋转机械外部，所接收到的振动信号一方面经过多组工装及不同组件间多个结合界面，会产生较大的衰减，另一方面所接收到的振动信号还包含承载轴承、转子等组件所引起的强的振动干扰，使得与润滑或轴承故障相关信息的有效性被极大削弱，造成仅仅依靠振动信号对轴承润滑及轴承早期微弱故障监测十分困难。

如中国专利CN 106053074 A《一种基于STFT和转动惯量熵的滚动轴承声音信号故障特征提取方法》利用智能手机的录音功能对滚动轴承故障声音信号进行采集，基于专利所提出方法对轴承故障特征进行提取。此方法硬件成本低。同类方法也包括采用外置单一麦克风或麦克风阵列进行声音采集，通过对声音信号的处理及识别获得轴承润滑状态或设备异常信息。但外置传感器一方面极易受到外界其他声音的干扰，另一方面由于实际工业现场或装备上音源众多，噪音水平较高，所获得与轴承润滑状态或早期微弱故障相关的信息信噪比极低，单一依赖现场声音信号进行轴承润滑状态或早期微弱故障诊断效果有限。

如中国专利CN 102301149 A《润滑条件监测》通过测量轴承的滚动接触表面之间粗糙面接触产生的高频结构传送的声发射获得测量信号，从该测量信号提取发射声能，并且基于发射声能和该润滑参数之间的幂律关系由声能决定相应润滑参数。此专利准确高效，实时性好，但由于声发射信号频率较高，为防止其快速衰减，需要将传感器与轴承直接接触，并在接触表面填充耦合剂。在该方法中，一方面轴承座结构需要特殊设计，以避免因安装声发射传感器所造成的强度降低，另一方面也存在着监测装置成本较高安装维护复杂的问题。

在另一个监测轴承润滑状态的方法中，主要通过测量滚动体与内外圈间接触油膜厚度作为主要监测手段。如文章《An Experimental Study on Film Thickness in aRolling Bearing for Fresh and Mechanically Aged Lubricating Greases》通过测量内外圈间电容的方法实现对滚动体与内外圈间接触油膜厚度的测量，如中国专利CN112595271 A《一种轴承润滑膜厚度超声测量方法及***》通过超声探头实现对润滑油膜厚度测量。但此类方法对轴承的类型、轴承的运行转速等有严格限制，测试装置精密，因此该方法更多应用于实验室研究，难以直接应用于实际工业现场。

上述专利及文章从振动、声音和油膜厚度等方面对轴承运行时润滑状态进行监测，一定程度上可以提高轴承运行可靠性，及早发现轴承润滑故障避免更大事故的发生，但现有的监测方法仍存在很多不足：1)润滑状态信号频率较高，单一传感器难以完全覆盖采集；2)现有监测方法中部分传感器安装复杂，基于打孔等方法进而实现与监测对象直接接触，改变设备本身结构；3)部分方法例如声发射，尽管较为准确，但受限于成本难以大规模应用；4)部分方法例如油膜厚度测量适用面较窄，无法实际应用于工业环境。

在实际工业环境中旋转机械的轴承信号中含有大量的噪声及干扰成分，如何获得信噪比高且对润滑状态敏感的信号是监测的关键。且考虑声发射方法的准确高效来源于特殊的监测对象即轴承声发射高频信号，但其存在监测装置成本较高，安装维护复杂的问题。且轴承作为旋转机械的中的关键部件，不可避免的会和其他部件相互影响，单一种类信号往往难以准确表征轴承润滑状态。

发明内容

为了解决现有技术中存在的问题，本发明提供一种的多模态信息融合轴承润滑状态监测装置及方法，缩短信号传播距离，降低噪声干扰，采集多模态信息，能实现旋转机械中滚动轴承准确高效的实时润滑状态监测。

为了实现上述目的，本发明采用的技术方案是：一种多模态信息融合轴承润滑状态监测装置，包括下位机和上位机，下位机设置在轴承体的固定部位，下位机包括信号采集模块、通信模块以及核心处理器模块，信号采集模块用于采集轴承转动过程中的超声、声音、振动以及温度，信号采集模块连接核心处理器模块的输入端，核心处理器模块与通信模块通过I/O接口连接，下位机与上位机通过通信模块通信连接；下位机将监测得到的超声、声音、振动以及温度数据通过通信模块发送到上位机，或在下位机上进行本地备份保存，上位机接收下位机数据，进行数据存储、数据分析、数据显示和诊断。

采用多个下位机对应连接一个上位机或单一下位机对应连接多个上位机，下位机的核心处理器模块包括最小***模块、实时时钟模块、备份存储模块、调试模块和信号调理模块；最小***模块中的电源模块、复位模块、时钟模块、程序下载模块和启动设置模块均与微处理器信号连接；实时时钟模块连接最小***模块中的微处理器，用于在采集信号时读取时间信息；备份存储模块连接最小***模块中的微处理器，对所有的监测数据进行本地存储；调试模块连接最小***模块中的微处理器，用于下位机程序调试；信号调理模块输入端连接所述信号采集模块的输出端，信号调理模块输出端与最小***模块中的微处理器相连；信号调理模块输入为信号采集模块输出的模拟电压信号，将模拟电压信号转化为数字信号输出。

信号采集模块采用集成设计的传感器或基于多传感器组合的传感器模块。

所述信号采集模块包括超声麦克风、普通麦克风、振动加速度传感器、温度传感器、转速传感器中多个传感器组合，其中超声麦克风用于采集轴承运行时摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号；普通麦克风用于采集轴承运行时由于振动发出的声音信号；振动加速度传感器用于采集轴承运行时的振动信号；温度传感器用于采集轴承运行时轴承内圈、外圈、滚动体、保持架、密封结构之一或任意组合部件的温度；转速传感器用于获得轴承的转速信息，以辅助实现变转速工况下的监测。

超声麦克风在轴承一周对称布置一组，普通麦克风轴承一周对称布置一组，振动加速度传感器轴承一周对称布置一组，转速传感器轴承一周对称布置一组。

所述通信模块采用无线通信模块和/或有线传输模块，无线通信模块采用2G/3G/4G/5G、蓝牙、Zigbee或Wi-Fi无线通信模块，有线传输模块采用USB或RJ45；通信模块均配置有ID信息，在发送监测数据的数据帧中加入芯片ID信息，用于上位机确认信息来源。

机械外挂结构包括机械外挂结构壳体和下位机固定挡圈，机械外挂结构壳体为环状，机械外挂结构壳体环的断面形状为“倒L型”，外端面处设置有下位机固定挡圈，机械外挂结构与待测轴承固定部分固连；机械外挂结构壳体内侧设置有台阶，所述下位机安装于台阶面上，并通过下位机固定挡圈实现下位机与机械外挂结构壳体的固定。

本发明还提供一种多模态信息融合轴承润滑状态监测方法，包括数据级融合、特征级融合和决策级融合；首先进行数据级融合，对所获得N_m种模态信号进行滤波、消噪、时域分析、频域分析预处理后，经过模态维度拼接，获得融合后的数据，并对融合后的数据经过第一特征提取网络提取特征，并由softmax分类器输出轴承属于每一种健康状况的概率；

其次进行特征级融合，对所获得N_m种模态信号分别经过N_m个对应的信号处理方法进行预处理，对预处理后数据经过第二特征提取网络中的N_m个特征提取网络提取特征，并将这N_m个不同模态所代表的特征进行特征融合，由后续的特征提取网络进一步提取融合后的特征，通过softmax分类器输出轴承属于每一种健康状况的概率；

最后进行决策级融合，将第一特征提取网络与第二特征提取网络输出的概率进行综合决策，得到最终轴承属于每一种健康状态的概率，并将概率最大的一项作为最终结果，即得到轴承的健康状态。

将每个通道的信号进行按模态维度拼接，即，将每个通道的一维时间序列拼接成一个二维数组，得到数据级融合后的数据其中，/>表示数据级融合后的信息，n为经信号处理后的通道数，T为信号采样点数，x_i,j表示第i个通道信号的第j个采样点，融合后的数据经过基于Transformer架构的第一特征提取网络提取特征，得到轴承属于每一种健康状态的概率，第一特征提取网络的计算表示为l₁＝Net₁(X_df)，其中/>网络Net₁输出的属于每种健康状态的概率，Net₁由N₁层Transformer网络组成的顺序网络结构/>以及最后的softmax分类器组成，最终第一特征提取网络的输出l₁为：

其中，Net₁(·)表示第一特征提取网络。

第二特征提取网络中，N_m个数据先分别经过N_m个基于Transformer结构的特征提取网络提取各自的特征，第二特征提取网络表示为：

l₂＝Net₂({TF_mi})＝softmax(flatten(X_ff))

其中，Net₂(·)表示第二特征提取网络

采用DS证据理论对第一特征提取网络和第二特征提取网络输出的概率进行决策级融合，则最终预测出的轴承状态C_pred表示为：

C_pred＝argmax(DS(l₁,l₂))

其中，argmax(·)表示取最大值的索引，DS(·)为证据融合操作。

与现有技术相比，本发明至少具有以下有益效果：本发明首先引入对轴承运行过程中摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号敏感的超声传感器，同时考虑单一种类信号易受干扰往往难以准确表征轴承润滑状态，对轴承运行过程中振动信号、噪音信号、温度信号等多种模态信息同步进行采集；其次考虑到超声信号由于频率较高在空气中传播距离短的特点，同时考虑尽可能提升信号信噪比避免外界干扰，将上述超声传感器、振动传感器、声音传感器、温度传感器集成，并与待测滚动轴承不旋转部分固连，共同安装于旋转机械内部获取待测滚动轴承运行过程中的多模态信息；基于本发明所述装置缩短信号传播距离，简化了信号传递路径，超声信号长距离传输高频衰减问题得到解决，且避免了外界噪音干扰，极大提升了信号的信噪比，同时对轴承运行过程中振动信号、噪音信号、温度信号等多种模态信息同步进行采集，为基于多模态信息融合轴承润滑状态监测方法提供当前待测滚动轴承润滑状态更加准确的多样化数据。

附图说明

图1是本发明一种可实施的轴承润滑状态监测***总体方案图。

图2是本发明一种可实施的下位机结构组成示意图。

图3是本发明一种可实施的下位机电路板示意图。

图4是本发明一种可实施的机械外挂结构示意图。

图5是轴承在某一状态下上位机信号采集界面。

图6是本发明一种可实施的Transformer网络结构。

1-轴承，2-机械外挂结构壳体，3-下位机固定挡圈，4-螺钉，5-下位机环状电路板。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面以用于机床的7014C轴承，对本发明进行进一步详细说明。

本发明设计一种主要监测对象对轴承润滑状态敏感，且引入多模态信息融合技术的轴承润滑状态监测***及方法，从而实现旋转机械中滚动轴承准确高效的实时润滑状态监测。

轴承润滑状态对应信号频率较高，传统的监测方法存在信息采集频率较低、传感器成本较高且安装复杂、单一种类信号往往难以准确表征轴承润滑状态等缺点。

本发明考虑轴承润滑状态对滚动轴承摩擦副表面间接触有着直接影响，以监测轴承运行过程中摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号为主，能较好反映轴承润滑状态，并考虑单一种类信号易受干扰，往往难以准确表征轴承润滑状态，因此开发下位机集成信号采集模块对轴承运行过程中振动信号、噪音信号、温度信号等多种模态信息同步进行采集；同时可以使用一种机械外挂结构将下位机与待测滚动轴承不旋转部分固连，在不改变轴承工作尺寸，不破坏原有旋转机械结构的基础上实现了下位机的内嵌安装，由于极大缩短信号传播距离，简化了信号传递路径，超声信号长距离传输高频衰减问题得到解决，且避免了外界噪音干扰，极大提升了信号的信噪比；

通过无线/有线传输的方树，将原始监测数据传输至上位机，上位机进行滤波、消噪、时域分析、频域分析、时频域分析等预处理后，基于多模态信息融合轴承润滑状态监测算法对当前待测滚动轴承润滑状态进行准确高效的判断。

参考图1，本发明提供了一种基于超声及其他传感器信息融合的轴承润滑状态监测***包括下位机和上位机，具体的，下位机设置在轴承体的固定部位，下位机包括信号采集模块、存储模块、通信模块以及核心处理器模块，信号采集模块用于采集轴承转动过程中的超声、声音、振动、温度，信号采集模块连接核心处理器模块的输入端，核心处理器模块与通信模块及存储模块通过I/O接口连接，下位机与上位机通过通信模块通信；下位机将监测得到的超声、声音、振动以及温度数据通过通信模块发送到上位机，或在下位机上进行本地备份保存，上位机接收下位机数据，进行数据存储、数据分析、数据显示和诊断报警。

本申请所述多个下位机可对应一个上位机，单一下位机亦可对应多个上位机，作为一种可选的实施方式，下位机通过机械外挂结构与待测轴承固连；参考图4，机械外挂结构包括壳体和下位机固定挡圈。壳体为环状，一侧设置有安装挡圈，壳体形状通常为“L”型或“倒L型”，机械外挂结构通过挡圈与待测轴承不旋转部份如内圈或外圈固连。

下位机壳体内侧设置有台阶，所述下位机安装于台阶面上，并通过下位机固定挡圈实现下位机与壳体的固定。

参考图2，下位机包括信号采集模块、通信模块以及核心处理器模块；下位机的核心处理器模块包括最小***模块、实时时钟模块、备份存储模块、调试模块和信号调理模块；最小***模块中的电源模块、复位模块、时钟模块、程序下载模块和启动设置模块均与微处理器信号连接；实时时钟模块连接最小***模块中的微处理器，用于在采集信号时读取时间信息；备份存储模块连接最小***模块中的微处理器，对所有的监测数据进行本地存储；调试模块连接最小***模块中的微处理器，用于下位机程序调试；信号调理模块输入端连接所述信号采集模块的输出端，信号调理模块输出端与最小***模块中的微处理器相连；信号调理模块输入为信号采集模块输出的模拟电压信号，将模拟电压信号转化为数字信号输出。

下位机通过机械外挂结构与待测轴承的固定部分固定连接，下位机将监测得到的超声、声音、振动、温度数据通过通信模块发送到上位机；上位机负责接收下位机数据，进行数据存储、数据分析、数据显示和诊断报警，基于一种数据驱动的多模态信息融合轴承润滑状态监测算法判断轴承润滑状态是否出现异常。本实施例中，下位机采用环状电路板集成了信号采集模块、通信模块和核心处理器模块，参考图3，所述信号采集模块包括MEMS超声传感器、MEMS声音传感器、振动加速度传感器及热电偶温度传感器，所述通信模块为Wi-Fi无线通信模块，所述核心处理器模块为ARM核心模块。

所述信号采集模块包括MEMS超声传感器、MEMS声音传感器、振动加速度传感器及热电偶温度传感器；其中MEMS超声传感器用于采集轴承运行时摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号，MEMS声音传感器用于采集轴承运行时由于振动发出的声音信号，振动加速度传感器用于采集轴承运行时发出的振动信号，热电偶温度传感器用于采集轴承运行时温度。信号采集模块由ARM核心模块提供供电和接地接口，信号采集模块输出信号为模拟电压信号。在本实施例中，MEMS声音传感器采集起止频率为0.1-20kHz，MEMS超声传感器采集起止频率为20-80kHz。同时，为避免超声信号的衰减，将MEMS声音传感器及MEMS超声传感器的拾音孔对准待测轴承内外圈中心部位，即待测轴承节圆位置。

本申请所述通信模块可以采用有线模块和/或无线通信模块。

本实施例中，所述通信模块为Wi-Fi无线通信模块，Wi-Fi无线通信模块与所述ARM核心模块中的MCU相连；无Wi-Fi无线通信模块在发送监测数据的数据帧中会加入芯片ID信息，上位机通过ID信息确认信息来源。当前实施例中，Wi-Fi无线通信模块最高传输速率为150Mbps，满足在线信号采集方式。

本申请所述核心模块可以采用ARM或FPGA等核心模块。

本实施例中，所述核心模块为ARM核心模块，ARM核心模块包括最小***模块，实时时钟模块、备份存储模块、调试模块和信号调理模块；最小***模块中的电源模块、复位模块、时钟模块、程序下载模块和启动设置模块均与微处理器信号连接；实时时钟模块连接最小***模块中的微处理器，用于在采集信号时读取时间信息；备份存储模块连接最小***模块中的微处理器，对所有的监测数据进行本地存储，在当前实施例中，备份存储模块大小为4GB，以二进制格式存储，命名方式为日期信息；调试模块连接最小***模块中的微处理器，方便下位机程序调试；信号调理模块输入端连接所述信号采集模块的输出端，信号调理模块输出端与最小***模块中的微处理器相连；信号调理模块输入为信号采集模块输出的模拟电压信号，将模拟电压信号转化为数字信号。

本实施例中，上位机包括集成多模态信息融合轴承润滑状态监测算法服务器端程序监测界面。图5为客户端信号采集界面，所述多模态信息融合轴承润滑状态监测方法包括数据级融合，特征级融合和决策级融合。

首先进行数据级融合。以超声信号预处理为例，MEMS超声传感器之间通过声压值计算MEMS超声传感器连线方向上的声强近似值其中，I表示时域声强；p₁和p₂分别表示两个麦克风采集到的声压值；ρ表示空气密度，其值与温度有关，由对应位置监测到的温度信号进行确定；Δ_r表示两个麦克风的中间距离；Δ_t表示积分时间。由此可以通过2个通道的声压信号得到轴承中心超声信号。对其余信号进行预处理，预处理方法包括但不限于变换、滤波、调制、解调、检测以及谱分析和估计，分别得到1通道超声信号，1通道声音信号，1通道温度信号，2通道振动信号，总共5通道的信号。然后将每个通道的信号进行按模态维度拼接，即，将每个通道的一维时间序列拼接成一个二维数组，得到数据级融合后的数据/>其中，/>表示数据级融合后的信息，n为经信号处理后的通道数，本例中为5，T为信号采样点数，本例中为3200；x_i,j表示第i个通道信号的第j个采样点。融合后的数据经过第一特征提取网络提取特征，并输出轴承属于每一种健康状态的概率。本例中的特征提取网络都是基于Transformer架构。第一特征提取网络的计算可表示为l₁＝Net₁(X_df)，其中/>网络Net₁输出的属于每种健康状态的概率，Net₁由N₁层Transformer网络组成的顺序网络结构/>以及最后的softmax分类器组成，参考图6，最终第一特征提取网络的输出l₁可表示为：

其中，Net₁(·)表示第一特征提取网络。

其次进行特征级融合。将N_m种模态信号分别经过短时傅里叶变换进行预处理，以生成二维时频数据。经过短时傅里叶变换，得到的N_m个数据{TF_mi},mi＝1,…,N_m进入第二特征提取网络进行处理。在第二特征提取网络中，N_m个数据先分别经过N_m个与所述基于Transformer结构的特征提取网络提取各自的特征，第二特征提取网络可表示为：

l₂＝Net₂({TF_mi})＝softmax(flatten(X_ff))

其中，Net₂(·)表示第二特征提取网络。

最后进行决策级融合。将数据级融合中第一特征提取网络输出的概率l₁与特征级融合中第二特征提取网络输出的概率l₂进行综合决策，得到最终轴承属于每一种健康状态的概率，并将概率最大的一项作为最终结果。本例中采用DS证据理论对第一特征提取网络1和第二特征提取网络输出的概率进行决策级融合，则最终预测出的轴承状态C_pred可表示为：

C_pred＝arg max(DS(l₁,l₂))

其中，argmax(·)表示取最大值的索引，DS(·)为证据融合操作。

对于本例，设第一特征提取网络输出的l₁＝[0.8,0.2]，网络2输出的l₂＝[0.6,0.4]，则经过决策融合后的整体概率

最后可以得出，整个算法输出的轴承状态概率为正常。

本实施例中，机械外挂结构包括机械外挂结构壳体2和下位机固定挡圈3，机械外挂结构壳体为环状，外端面处设置有下位机固定挡圈3，机械外挂结构壳体2环的断面形状为“倒L型”。依据本实施例中待测7014C角接触滚动轴承工作状态即外圈固定内圈旋转，机械外挂结构壳体2与轴承外圈固连。本发明将下位机设置为下位机环状电路板5的形式，参考图4，轴承1为7014C角接触滚动轴承；机械外挂结构壳体2与待测7014C角接触滚动轴承外圈固定连接。机械外挂结构壳体2可以通过螺钉4固定与轴承1的外圈连接，下位机环状电路板5通过下位机固定挡圈3与机械外挂结构壳体2连接。

综上所述，本发明首先考虑轴承润滑状态对滚动轴承摩擦副表面间接触有着直接影响，引入对轴承运行过程中摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号敏感的超声传感器，同时考虑单一种类信号易受干扰往往难以准确表征轴承润滑状态，因此对轴承运行过程中振动信号、噪音信号、温度信号等多种模态信息同步进行采集；其次考虑到超声信号由于频率较高在空气中传播距离短的特点，同时考虑尽可能提升信号信噪比避免外界干扰，将上述超声传感器、振动传感器、声音传感器、温度传感器等集成，通过特制机械外挂结构与待测滚动轴承不旋转部分固连，共同安装于旋转机械内部获取待测滚动轴承运行过程中的多模态信息；最后，基于多模态信息融合轴承润滑状态监测算法对当前待测滚动轴承润滑状态进行准确高效的判断。

以上给出了本发明的具体实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对于本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、***并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对本发明进行的变化、修改、替换和变形仍落入本发明权利要求书的保护范围内。

Claims (6)

1.一种多模态信息融合轴承润滑状态监测装置，其特征在于，包括下位机和上位机，下位机设置在轴承体的固定部位，下位机包括信号采集模块、通信模块以及核心处理器模块，信号采集模块用于采集轴承转动过程中的超声、声音、振动以及温度，信号采集模块连接核心处理器模块的输入端，核心处理器模块与通信模块通过I/O接口连接，下位机与上位机通过通信模块通信连接；下位机将监测得到的超声、声音、振动以及温度数据通过通信模块发送到上位机，或在下位机上进行本地备份保存，上位机接收下位机数据，进行数据存储、数据分析、数据显示和诊断；信号采集模块采用集成设计的传感器或基于多传感器组合的传感器模块；

机械外挂结构包括机械外挂结构壳体(2)和下位机固定挡圈(3)，机械外挂结构壳体(2)为环状，机械外挂结构壳体(2)环的断面形状为“倒L型”，外端面处设置有下位机固定挡圈(3)，机械外挂结构与待测轴承固定部分固连；机械外挂结构壳体(2)内侧设置有台阶，所述下位机安装于台阶面上，并通过下位机固定挡圈(3)实现下位机与机械外挂结构壳体(2)的固定；

超声麦克风在轴承一周对称布置一组，普通麦克风轴承一周对称布置一组，振动加速度传感器轴承一周对称布置一组，转速传感器轴承一周对称布置一组；将MEMS声音传感器及MEMS超声传感器的拾音孔对准待测轴承内外圈中心部位；

所述多模态信息融合包括：数据级融合、特征级融合和决策级融合；

首先进行数据级融合，对所获得N_m种模态信号进行滤波、消噪、时域分析、频域分析预处理后，经过模态维度拼接，获得融合后的数据，并对融合后的数据经过第一特征提取网络提取特征，并由softmax分类器输出轴承属于每一种健康状况的概率；超声预处理为：MEMS超声传感器之间通过声压值计算MEMS超声传感器连线方向上的声强近似值其中，I表示时域声强；p₁和p₂分别表示两个麦克风采集到的声压值；ρ表示空气密度，其值与温度有关，由对应位置监测到的温度信号进行确定；Δ_r表示两个麦克风的中间距离；Δ_t表示积分时间，由此通过2个通道的声压信号得到轴承中心超声信号；

其次进行特征级融合，对所获得N_m种模态信号分别经过N_m个对应的信号处理方法进行预处理，对预处理后数据经过第二特征提取网络中的N_m个特征提取网络提取特征，并将这N_m个不同模态所代表的特征进行特征融合，由后续的特征提取网络进一步提取融合后的特征，通过softmax分类器输出轴承属于每一种健康状况的概率；

最后进行决策级融合，将第一特征提取网络与第二特征提取网络输出的概率进行综合决策，得到最终轴承属于每一种健康状态的概率，并将概率最大的一项作为最终结果，得到轴承的健康状态。

2.根据权利要求1所述的多模态信息融合轴承润滑状态监测装置，其特征在于，采用多个下位机对应连接一个上位机或单一下位机对应连接多个上位机，下位机的核心处理器模块包括最小***模块、实时时钟模块、备份存储模块、调试模块和信号调理模块；最小***模块中的电源模块、复位模块、时钟模块、程序下载模块和启动设置模块均与微处理器信号连接；实时时钟模块连接最小***模块中的微处理器，用于在采集信号时读取时间信息；备份存储模块连接最小***模块中的微处理器，对所有的监测数据进行本地存储；调试模块连接最小***模块中的微处理器，用于下位机程序调试；信号调理模块输入端连接所述信号采集模块的输出端，信号调理模块输出端与最小***模块中的微处理器相连；信号调理模块输入为信号采集模块输出的模拟电压信号，将模拟电压信号转化为数字信号输出。

3.根据权利要求1所述的多模态信息融合轴承润滑状态监测装置，其特征在于，所述信号采集模块包括超声麦克风、普通麦克风、振动加速度传感器、温度传感器、转速传感器中多个传感器组合，其中超声麦克风用于采集轴承运行时摩擦副表面间微凸体发生接触时发生的弹性变形和塑性变形所引发的超声信号；普通麦克风用于采集轴承运行时由于振动发出的声音信号；振动加速度传感器用于采集轴承运行时的振动信号；温度传感器用于采集轴承运行时轴承内圈、外圈、滚动体、保持架、密封结构之一或任意组合部件的温度；转速传感器用于获得轴承的转速信息，以辅助实现变转速工况下的监测。

4.根据权利要求1所述的多模态信息融合轴承润滑状态监测装置，其特征在于，所述通信模块采用无线通信模块和/或有线传输模块，无线通信模块采用2G/3G/4G/5G、蓝牙、Zigbee或Wi-Fi无线通信模块，有线传输模块采用USB或RJ45；通信模块均配置有ID信息，在发送监测数据的数据帧中加入芯片ID信息，用于上位机确认信息来源。

5.根据权利要求1所述的多模态信息融合轴承润滑状态监测装置，其特征在于，将每个通道的信号按模态维度拼接，即，将每个通道的一维时间序列拼接成一个二维数组，得到数据级融合后的数据其中，/>表示数据级融合后的信息，n为经信号处理后的通道数，T为信号采样点数，x_i,j表示第i个通道信号的第j个采样点，融合后的数据经过基于Transformer架构的第一特征提取网络提取特征，得到轴承属于每一种健康状态的概率，第一特征提取网络的计算表示为l₁＝Net₁(X_df)，其中/>网络Net₁输出的属于每种健康状态的概率，Net₁由N₁层Transformer网络组成的顺序网络结构以及最后的softmax分类器组成，最终第一特征提取网络的输出l₁为：

其中，Net₁(·)表示第一特征提取网络。

6.根据权利要求1所述的多模态信息融合轴承润滑状态监测装置，其特征在于，第二特征提取网络中，N_m个数据先分别经过N_m个基于Transformer结构的特征提取网络提取各自的特征，第二特征提取网络表示为：

l₂＝Net₂({TF_mi})＝softmax(flatten(X_ff))

其中，Net₂(·)表示第二特征提取网络；

采用DS证据理论对第一特征提取网络和第二特征提取网络输出的概率进行决策级融合，则最终预测出的轴承状态C_pred表示为：

C_pred＝argmax(DS(l₁,l₂))

其中，argmax(·)表示取最大值的索引，DS(·)为证据融合操作。