联合多尺度交互图卷积和对比池化的故障诊断方法及系统技术方案

本发明专利技术属于故障诊断技术领域，提供了一种联合多尺度交互图卷积和对比池化的故障诊断方法及系统。该方法包括，获取滚动轴承的振动信号，采用故障诊断模型，得到故障类型；所述故障诊断模型包括多尺度交互图、图卷积网络和对比学习强化自注意力池化层；所述采用故障诊断模型的过程包括：基于滚动轴承的振动信号，计算节点嵌入向量和邻接矩阵，构建多尺度交互图；基于节点嵌入向量和邻接矩阵，采用图卷积网络的图卷积层提取图数据特征后，经过对比学习强化自注意力池化层，对图数据特征进行图结构粗化和特征降维，粗化的图数据依次经过图卷积网络读出层和全连接层，得到故障类型。本发明专利技术提升了图卷积网络应用于旋转机械故障诊断的准确率和鲁棒性。的准确率和鲁棒性。的准确率和鲁棒性。

【技术实现步骤摘要】
联合多尺度交互图卷积和对比池化的故障诊断方法及系统


[0001]本专利技术属于故障诊断
，尤其涉及一种联合多尺度交互图卷积和对比池化的故障诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]旋转机械广泛应用于工业生产、国防军事等多个领域，如风机、发动机、汽轮机等。随着5G技术的提出和物联网的发展，机械设备的健康状态监测进入了大数据时代，为基于深度学习框架的故障诊断方法提供了数据支撑。与传统机器学习方法相比，深度学习网络结合梯度下降算法的数据处理方式更适合从海量数据中提取泛化能力更强的特征。因此，基于深度学习框架的故障诊断方法成为目前研究的热门领域。
[0004]在深度学习领域，一些网络框架如自编码器、卷积神经网络、全连接网络等已成功应用于旋转机械故障诊断，并展示了其强大的特征提取的故障分类能力。针对深度学习方法，影响特征提取及故障分类效果的因素主要可以归结为两点，(1)输入数据的描述方式，(2)深度学习网络参数。针对(1)输入数据的描述方式，一些研究直接将一维的振动信号作为输入，采用卷积或全连接层提取信号特征；有学者首先提取振动信号的时域特征，而后将特征序列作为输入以避免原始信号中噪声对特征提取的影响；有些研究把故障诊断转化为图像识别任务，将一维振动信号按时序关系转化为二维矩阵，采用二维卷积提取信号特征；有些学者采用时频分析方法，获取振动信号的时频谱图作为输入，目的借助卷积层提取隐含在时频域的故障信息。针对(2)深度学习网络参数，通常通过改变卷积层、全连接层尺寸以及层深，增删batch normalization、dropout模块，以获取不同的特征提取能力。在旋转机械出现故障后，其振动信号波形、频率组成等会相应发生变化。针对上述提到的两点，大多数研究采用将原始信号，或对应的时域、频域、时频域信息作为网络输入，结合卷积层、全连接层实现特征提取及分类。然而，以上研究忽略了对信号中频域尺度相关信息特征的提取(如故障发生导致频率组成发生变化的同时，不同频率尺度间的相关信息同样会发生变化)，限制了特征提取及故障诊断性能的进一步提高。因此，为了获取更加丰富的特征提取能力，一些学者试图通过相关信息建模，以进一步提升故障诊断的精度和鲁棒性。
[0005]作为相关信息建模的常用工具，图论近年来被广泛应用于自然语言处理、图像处理等领域，其强大的数据表征能力提升了深度学习在不同领域任务中的性能。并且，近年来，随着图卷积网络的提出，基于图论的深度学习框架也成功应用到机械故障诊断领域。然而，目前基于图卷积网络的故障诊断方法仍然存在两大问题：(1)大多数研究都是通过构建不同样本片段、不同传感信号的交互图来进行数据表征，却忽略了信号多频率尺度间相关信息的提取，从而可能导致故障相关信息的丢失；(2)现有图池化方法的鲁棒性有待增强，在故障诊断领域还有很大上升空间。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种联合多尺度交互图卷积和对比池化的故障诊断方法及系统，其通过图卷积网络及所构建的多尺度交互图，提取隐含在多频率尺度相关信息中的故障特征；通过所提出的对比学习强化自注意力池化层，对图数据进行分层池化，在进行特征降维的同时提取有效故障表征信息。通过上述操作，以提升图卷积网络应用于旋转机械故障诊断的准确率和鲁棒性。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供一种联合多尺度交互图卷积和对比池化的故障诊断方法。
[0009]联合多尺度交互图卷积和对比池化的故障诊断方法，包括：
[0010]获取滚动轴承的振动信号，采用故障诊断模型，得到故障类型；
[0011]所述故障诊断模型包括多尺度交互图、图卷积网络和对比学习强化自注意力池化层；
[0012]所述采用故障诊断模型的过程包括：基于滚动轴承的振动信号，计算节点嵌入向量和邻接矩阵，构建多尺度交互图；基于节点嵌入向量和邻接矩阵，采用图卷积网络的图卷积层提取图数据特征后，经过对比学习强化自注意力池化层，对图数据特征进行图结构粗化和特征降维，粗化的图数据依次经过图卷积网络读出层和全连接层，得到故障类型。
[0013]进一步地，所述采用多尺度交互图的过程包括：
[0014]采用连续小波变换计算振动信号时频谱图，并将谱图数值归一化到[0,1]范围内；
[0015]确定多尺度交互图节点个数N，将所得时频谱图沿频率方向均分为N段，得到N段带状谱图；
[0016]将得到的带状谱图展平为一维向量，成为多尺度交互图对应节点的嵌入特征；
[0017]设定阈值，计算任意两个节点嵌入特征的余弦相似度，当余弦相似度大于阈值时，定义两节点互为邻居节点，反之两节点不存在连接关系，以此得到节点的邻接矩阵；
[0018]根据所得邻接矩阵，得到边索引矩阵。
[0019]进一步地，所述图卷积网络包括三个图卷积层和三个读出层，每个图卷积层的输出连接一个对比学习强化自注意力池化层，每个对比学习强化自注意力池化层的输出连接一个读出层，三个读出层的输出共同连接一个全连接层。
[0020]进一步地，所述故障诊断模型的训练包括对比学习强化自注意力池化层的训练：
[0021]所述对比学习强化自注意力池化层包括平行的GCN+和GCN
‑
，通过对GCN+施加分类约束，使得到正样本注意力分数与故障分类精度正相关，不对GCN
‑
进行约束，使得到的负样本注意力分数与节点贡献度无关；
[0022]将正样本注意力分数与负样本注意力分数作差作为新的正样本注意力分数，而负样本注意力分数不变；将新的正样本注意力分数和与负样本注意力分数，经过Top
‑
k准则和掩码操作，筛选并保留注意力分数最大的k个节点，而舍弃剩余节点，分别得到正池化图与负池化图；经过网络训练多轮迭代，最大化正样本注意力分数与负样本注意力分数的差异，获得稳定性更高的正样本注意力分数，得到最能表征原始图的粗化图
‑
正池化图。
[0023]更进一步地，所述Top
‑
k准则为：保留节点注意力分数序列中，最大的k个注意力分数对应的节点，对剩余节点进行舍弃。
[0024]进一步地，所述故障诊断模型在训练过程中采用分类损失函数和对比损失函数优化故障诊断模型的参数。
[0025]更进一步地，所述分类损失函数为：
[0026][0027]所述对比损失函数为：
[0028][0029]其中，N
s
为训练样本的个数；C为故障类别个数；p
j
代表第j个样本真实的类别概率；q
j
代表预测的第j个样本属于第c个类别的概率值；l1,l2,l3分别代表三个池化层对应的层索引；代表第l+1层的正池化网络GCN+输出的第i个样本的正样本注意力分数；代表第l+1层的负池化网络GCN...

【技术保护点】

【技术特征摘要】
1.联合多尺度交互图卷积和对比池化的故障诊断方法，其特征在于，包括：获取滚动轴承的振动信号，采用故障诊断模型，得到故障类型；所述故障诊断模型包括多尺度交互图、图卷积网络和对比学习强化自注意力池化层；所述采用故障诊断模型的过程包括：基于滚动轴承的振动信号，计算节点嵌入向量和邻接矩阵，构建多尺度交互图；基于节点嵌入向量和邻接矩阵，采用图卷积网络的图卷积层提取图数据特征后，经过对比学习强化自注意力池化层，对图数据特征进行图结构粗化和特征降维，粗化的图数据依次经过图卷积网络读出层和全连接层，得到故障类型。2.根据权利要求1所述的联合多尺度交互图卷积和对比池化的故障诊断方法，其特征在于，所述采用多尺度交互图的过程包括：采用连续小波变换计算振动信号时频谱图，并将谱图数值归一化到[0,1]范围内；确定多尺度交互图节点个数N，将所得时频谱图沿频率方向均分为N段，得到N段带状谱图；将得到的带状谱图展平为一维向量，成为多尺度交互图对应节点的嵌入特征；设定阈值，计算任意两个节点嵌入特征的余弦相似度，当余弦相似度大于阈值时，定义两节点互为邻居节点，反之两节点不存在连接关系，以此得到节点的邻接矩阵；根据所得邻接矩阵，得到边索引矩阵。3.根据权利要求1所述的联合多尺度交互图卷积和对比池化的故障诊断方法，其特征在于，所述图卷积网络包括三个图卷积层和三个读出层，每个图卷积层的输出连接一个对比学习强化自注意力池化层，每个对比学习强化自注意力池化层的输出连接一个读出层，三个读出层的输出共同连接一个全连接层。4.根据权利要求1所述的联合多尺度交互图卷积和对比池化的故障诊断方法，其特征在于，所述故障诊断模型的训练包括对比学习强化自注意力池化层的训练：所述对比学习强化自注意力池化层包括平行的GCN+和GCN
‑
，通过对GCN+施加分类约束，使得到正样本注意力分数与故障分类精度正相关，不对GCN
‑
进行约束，使得到的负样本注意力分数与节点贡献度无关；将正样本注意力分数与负样本注意力分数作差作为新的正样本注意力分数，而负样本注意力分数不变；将新的正样本注意力分数和与负样本注意力分数，经过Top
‑
k准则和掩码操作，筛选并保留注意力分数最大的k个节点，而舍弃剩余节点，分别得到正池化图与负池化图；经过网络训练多轮迭代，最大化正样本注意力分数与负样本注意力分数的差异，获得稳定性更高的正样本注意力分数，得到最能表征原始图的粗化图
‑
正池化图。5....

【专利技术属性】
技术研发人员：余文念，陈子旭，何志祥，刘月秋，余诗乐，章朝栋，孔程程，陈晓慧，
申请(专利权)人：重庆大学，
类型：发明
国别省市：