一种基于图数据的旋转机械故障诊断方法及系统技术方案

本发明专利技术公开一种基于图数据的旋转机械故障诊断方法及系统，包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为用于模型训练的源域样本和待测的目标域样本；提取样本的频谱特征，将源域和目标域样本转换为节点表示；采用k最近邻算法分别构造源域和目标域样本的图；基于领域自适应思想，构建域自适应图卷积神经网络；将源域和目标域样本构建得到的图输入网络，从而得到目标域待测样本的故障诊断结果。本发明专利技术采用了k最近邻算法聚类同一标签节点，建立了标签与节点之间的映射关系，对源域样本和目标域样本分别构造了具有相似图结构的图，提供更多的可迁移知识，将从源领域学到的知识应用到目标领域，提高分类准确率。率。率。

【技术实现步骤摘要】
一种基于图数据的旋转机械故障诊断方法及系统


[0001]本专利技术属于旋转机械故障诊断领域，更具体地，涉及一种基于图数据的旋转机械故障诊断方法及系统。

技术介绍

[0002]旋转机械作为传动系统的关键组件，已广泛用于现代制造和工业过程中。在大多数实际应用中，旋转机械在恶劣或复杂的条件下运行，例如高温、高压环境，变速和可变负载。长时间运行会导致各种损坏和故障，这些故障将会影响系统性能，并可能严重损坏机器。
[0003]深度学习方法能够从数据中自动学习具有代表性的特征，不需要太多的专业背景知识，在机械故障诊断领域取得了成功应用。但是深度学习模型仍然存在两个不足：1)通常要假设训练和测试集的数据分布相同。然而，旋转机械所处的工作环境通常是恶劣和复杂的，转速和负载会不断变化，导致获得的训练和测试集数据存在分布差异，降低深度学习模型诊断性能。2)深度学习要有大量带有故障信息的标记数据。然而，在实际工业生产中，机器不能长时间处于故障状态，很难获得大量的故障数据。
[0004]传统的基于迁移学习的故障诊断方法，可学习知识主要包括特征信息和共享的模型参数，但忽略了样本之间的关系或可迁移知识。然而样本关系与样本标签之间有一定的联系。因此，通过挖掘样本之间的关系并将关系迁移到目标域任务中，可以进一步提高基于迁移学习的故障诊断方法的性能。传统的数据表示方法，如向量、矩阵等，不能有效地表达“样本
‑
样本标签”联系，而图是一种能够表达对象之间复杂关系的数据，它由一系列节点和边组成，能够被用来建立样本之间的关系，并应用于故障诊断。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种基于图数据的旋转机械故障诊断方法及系统，旨在解决训练和测试数据来自不同机器时导致的数据分布差异大，现有方法诊断性能和模型适应性下降的问题。
[0006]为实现上述目的，第一方面，本专利技术提供了一种基于图数据的旋转机械故障诊断方法，包括如下步骤：
[0007]获取旋转机械的振动信号，并对其振动信号进行快速傅里叶变换，提取对应的频谱特征；
[0008]采用k最近邻算法将所述频谱特征构建成对应的图数据；所述图数据表达样本之间、样本与样本标签之间的映射关系，以将样本之间的可迁移知识联系起来；所述样本指所述振动信号对应的频谱特征，所述标签指样本对应的旋转机械工作状态；
[0009]将所述图数据输入到预训练好的域自适应图卷积神经网络，所述神经网络基于所述图数据输出对应的故障诊断结果；其中，所述域自适应图卷积神经网络包括：图卷积层、激活函数以及分类器；所述图卷积层用于学习所述图数据的节点特征，所述激活函数用于
基于学习的节点特征拟合非线性特性，所述分类器用于基于所述非线性特征预测样本的健康状态标签；所述健康状态标签对应基于图数据的旋转机械故障诊断结果；所述神经网络使用交叉熵损失和最大均值差异损失进行预训练，所述交叉熵损失用于测量真实标签和预测标签之间的差异，以确保预测结果准确，所述最大均值差异损失用于缩小源域样本与目标域样本的差异；所述源域样本对应旋转机械正常工作状态下的振动信号，所述目标域样本对应旋转机械故障状态下的振动信号；所述图数据包含样本之间的可迁移知识，且通过所述最大均值差异损失对神经网络进行训练使得所述神经网络适用于不同类型基于图数据的旋转机械故障诊断。
[0010]在一个可选的示例中，当待诊断的振动信号小于M组时，将每组振动信号对应的频谱特征作为一个待测样本；采用k最近邻算法将每个待测样本添加到用于训练所述神经网络的训练样本对应的图数据结构中，各个待测样本在更新后的图数据结构中对应一个待诊断的节点；将更新后的图数据结构输入到训练好的神经网络中，并利用所述神经网络对图数据结构中的各个待诊断节点进行诊断，确定各个待测样本对应的故障诊断结果；M小于预设值；
[0011]当待诊断的振动信号大于或等于M时，将M组振动信号对应的频谱特征作为M个待测样本；采用k最近邻算法基于M个待测样本生成新的图数据结构，各个待测样本在新图数据结构中对应一个待诊断的节点；将新图数据结构输入到训练好的神经网络中，并利用所述神经网络对新图数据结构中的各个待诊断节点进行诊断，确定各个待测样本对应的故障诊断结果。
[0012]在一个可选的示例中，所述采用k最近邻算法将所述频谱特征构建成对应的图数据，具体为：
[0013]计算距离矩阵T∈R
n
×
n
，T通过以下公式计算：
[0014]T(X
i
,X
j
)＝||F
f,i
,F
f,j
||2[0015]其中，T(X
i
,X
j
)是样本X
i
和样本X
j
之间的欧氏距离，F
f,i
,F
f,j
分别是样本X
i
、样本X
j
的节点特征；
[0016]采用k最近邻算法查找每个节点的k最近邻节点集，如下式所示：
[0017][0018]其中，X
ij
是样本X
i
的k近邻节点，ψ(X
i
)表示样本X
i
的k近邻节点集；
[0019]建立边集E，在找到每个节点的k近邻节点后，将节点连接到其k近邻节点；对于k最近邻节点集ψ(X
i
)，可以将边连接定义为：
[0020][0021]A
i,j
是邻接矩阵第i行第j列元素，A
j,i
是邻接矩阵第j行第i列元素，所述邻接矩阵用于表示边连接，邻接矩阵元素为1则表示节点i与节点j存在边连接，邻接矩阵元素为0则表示节点i与节点j不存在边连接；
[0022]对所有样本执行上述操作，可以获得边集E，所述边集即为所有样本对应的图数据。
[0023]在一个可选的示例中，所述图卷积层用于学习所述图数据的节点特征，具体为：
[0024]Y
(1)
＝Cheb(X,W
(1)
)
[0025]Y
(2)
＝Cheb(σ(Y
(1)
),W
(2)
)
[0026]Y
(3)
＝Cheb(σ(Y
(2)
),W
(3)
)
[0027]式中，W
(1)
∈R
m
×
l
,W
(2)
∈R
l
×
v
,W
(3)
∈R
v
×
g
为第1、2、3图卷积层的可训练权重矩阵，Cheb(
·
)是切比雪夫图的卷积，m为输入向量的尺度，l,v,g为输出向量的尺度，Y
(1)
∈R
n
×...

【技术保护点】

【技术特征摘要】
1.一种基于图数据的旋转机械故障诊断方法，其特征在于，包括如下步骤：获取旋转机械的振动信号，并对其振动信号进行快速傅里叶变换，提取对应的频谱特征；采用k最近邻算法将所述频谱特征构建成对应的图数据；所述图数据表达样本之间、样本与样本标签之间的映射关系，以将样本之间的可迁移知识联系起来；所述样本指所述振动信号对应的频谱特征，所述标签指样本对应的旋转机械工作状态；将所述图数据输入到预训练好的域自适应图卷积神经网络，所述神经网络基于所述图数据输出对应的故障诊断结果；其中，所述域自适应图卷积神经网络包括：图卷积层、激活函数以及分类器；所述图卷积层用于学习所述图数据的节点特征，所述激活函数用于基于学习的节点特征拟合非线性特性，所述分类器用于基于所述非线性特征预测样本的健康状态标签；所述健康状态标签对应基于图数据的旋转机械故障诊断结果；所述神经网络使用交叉熵损失和最大均值差异损失进行预训练，所述交叉熵损失用于测量真实标签和预测标签之间的差异，以确保预测结果准确，所述最大均值差异损失用于缩小源域样本与目标域样本的差异；所述源域样本对应旋转机械正常工作状态下的振动信号，所述目标域样本对应旋转机械故障状态下的振动信号；所述图数据包含样本之间的可迁移知识，且通过所述最大均值差异损失对神经网络进行训练使得所述神经网络适用于不同类型基于图数据的旋转机械故障诊断。2.根据权利要求1所述的方法，其特征在于，当待诊断的振动信号小于M组时，将每组振动信号对应的频谱特征作为一个待测样本；采用k最近邻算法将每个待测样本添加到用于训练所述神经网络的训练样本对应的图数据结构中，各个待测样本在更新后的图数据结构中对应一个待诊断的节点；将更新后的图数据结构输入到训练好的神经网络中，并利用所述神经网络对图数据结构中的各个待诊断节点进行诊断，确定各个待测样本对应的故障诊断结果；M小于预设值；当待诊断的振动信号大于或等于M时，将M组振动信号对应的频谱特征作为M个待测样本；采用k最近邻算法基于M个待测样本生成新的图数据结构，各个待测样本在新图数据结构中对应一个待诊断的节点；将新图数据结构输入到训练好的神经网络中，并利用所述神经网络对新图数据结构中的各个待诊断节点进行诊断，确定各个待测样本对应的故障诊断结果。3.根据权利要求1或2所述的方法，其特征在于，所述采用k最近邻算法将所述频谱特征构建成对应的图数据，具体为：计算距离矩阵T∈R
n
×
n
，T通过以下公式计算：T(X
i
,X
j
)＝||F
f,i
,F
f,j
||2其中，T(X
i
,X
j
)是样本X
i
和样本X
j
之间的欧氏距离，F
f,i
,F
f,j
分别是样本X
i
、样本X
j
的节点特征；采用k最近邻算法查找每个节点的k最近邻节点集，如下式所示：其中，X
ij
是样本X
i
的k近邻节点，ψ(X
i
)表示样本X
i
的k近邻节点集；建立边集E，在找到每个节点的k近邻节点后，将节点连接到其k近邻节点；对于k最近邻
节点集ψ(X
i
)，可以将边连接定义为：A
i,j
是邻接矩阵第i行第j列元素，A
j,i
是邻接矩阵第j行第i列元素，所述邻接矩阵用于表示边连接，邻接矩阵元素为1则表示节点i与节点j存在边连接，邻接矩阵元素为0则表示节点i与节点j不存在边连接；对所有样本执行上述操作，可以获得边集E，所述边集即为所有样本对应的图数据。4.根据权利要求1至3任一项所述的方法，其特征在于，所述图卷积层用于学习所述图数据的节点特征，具体为：Y
(1)
＝Cheb(X,W
(1)
)Y
(2)
＝Cheb(σ(Y
(1)
),W
(2)
)Y
(3)
＝Cheb(σ(Y
(2)
),W
(3)
)式中，W
(1)
∈R
m
×
l
,W
(2)
∈R
l
×
v
,W
(3)
∈R
v
×
g
为第1、2、3图卷积层的可训练权重矩阵，Cheb(
·
)是切比雪夫图的卷积，m为输入向量的尺度，l,v,g为输出向量的尺度，Y
(1)
∈R
n
×
l
,Y
(2)
∈R
n
×
v
,Y
(3)
∈R
n
×
g
表示第1、2、3图卷积层的输出，σ表示渗漏整流单元；分类结果使用分类器softmax通过下式进行计算：Z＝softmax(Y
(3)
)其中，Z是预测的图数据中节点的健康状态标签。5.根据权利要求1所述的方法，其特征在于，所述神经网络的总损失定义为：L
total
(X
s
,Y
s
,X
t
)＝L
CE
(X
s
,Y
s
)+αL
MMD
(X
s
,X
t
)其中，L
total
为总损失，L
MMD
为交叉熵损失，L
MMD
为最大均值差异损失损失，α为权衡参数；X
s
为源域样本，Y
s
为源域标签，X
t
为目标域样本；交叉熵损失用于测量真实标签和预测标签之间的差异，以确保预测结果，定义为：其中，b
i
表示指示变量，N
L
表示故障类别数，p
c
表示第i个样本属于某一类别的预测概率，L
CE
表示交叉熵损失。6.一种基于图数据的旋转机械故障诊断系统，其特征在于，包括：频谱特征获取单元，用于...

【专利技术属性】
技术研发人员：刘颉，曹贯男，杨超颖，周凯波，曾祥于，张峰源，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：