【技术实现步骤摘要】
本专利技术属于齿轮箱故障检测，具体涉及一种基于图卷积域自适应网络的齿轮箱故障诊断方法。
技术介绍
1、齿轮箱是工业和直升机中使用的旋转机械的基本和最重要的部件之一，它们的功能是将扭矩和动力从一个轴传递到另一个轴。典型应用包括直升机、汽车、金属切削机床和电力系统。如果这些机器尤其是直升机的任何齿轮在运行条件下出现故障，可能会造成严重后果。因此，齿轮箱的准确故障诊断对于防止机械系统出现故障至关重要，这些故障可能导致损坏甚至整个系统停止运行。
2、齿轮有多种故障类型，如磨损、错位、裂纹、疲劳和碎裂。当任何一个故障发展到严重程度时，都可能导致直升机等机器发生灾难性事故。齿轮的磨损是一个缓慢的过程。当磨损达到严重程度时，齿轮就会断裂，最终可能导致机器故障。
3、到目前为止，齿轮的故障诊断已经得到了深入的研究，并进行了许多调查。在大多数工厂系统中，齿轮磨损无法直接观察到，只能通过从机器获取的其他测量条件信息数据进行评估。因此，齿轮箱故障的实时监测和诊断对机械的安全可靠运行具有重要意义。
4、针对变工况下齿轮箱数据分布不一致，基于源工况数据训练的网络不能应用于目标工况的问题，由于网络训练的源域和用于实际诊断的目标域中的齿轮箱故障数据之间的数据分布不同，在不同的工作条件下获取各种齿轮箱故障标记数据是非常耗时和耗能的，目标域工作条件下的齿轮箱故障数据往往是无标记等特点。无法保证在标记的源工作条件数据上工作良好的网络对未标记的目标工作条件数据具有相同的效果。
技术实现思路>
1、本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于图卷积域自适应网络的齿轮箱故障诊断方法，首先嵌入了注意力机制，可以帮助模型更好地关注输入数据中与当前任务相关的部分，从而提高模型的性能和泛化能力，然后通过加入密集连接模块，建立前层和后层之间的密集连接，使得网络既关注信道信息，又能够实现前端层的特征重用。最后通过加入图卷积模块，使得模型既能够保留节点本身的特征，又充分利用整个图的全局信息，使得模型在捕捉图结构特征时更加全面；因此本专利技术相比其他仅依靠单一特征或单一局部特征算法能够更有效的对齿轮箱故障诊断进行预测，诊断齿轮箱信号故障并对故障信号进行可靠识别，并且具有较好的稳定性，对噪声的鲁棒性较强，具有一定的泛化能力，对于保证系统的安全、稳定运行，提升电机齿轮箱具有更高的准确性和更好的适应性的技术水平具有重大意义。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种基于图卷积域自适应网络的齿轮箱故障诊断方法，包括：
4、1)构建无监督自适应模块，以对目标域工作条件下的齿轮箱故障信号进行故障特征提取和整合；
5、2)构建密集连接模块，以基于密集连接思想进行特征传播与降维；
6、3)构建图卷积模块，以基于密集连接模块输出的特征构建实例图并对实例图进行建模；
7、4)构建softmax分类器，以对图卷积模块的输出进行分类，得到信号的故障分类结果；
8、5)以无监督自适应模块、密集连接模块、图卷积模块、softmax分类器构建故障诊断模型并对模型进行训练优化；
9、6)将测试集数据输入到训练后的故障诊断模型，实现对齿轮箱信号故障的诊断。
10、为优化上述技术方案，采取的具体措施还包括：
11、上述的1)构建的无监督自适应模块由两个卷积核大小不一致的卷积块和一个注意力机制采用残差连接的方式组成；其中两个卷积核大小不一致的卷积块用于故障信号的故障特征提取，注意力机制用于对每个特征进行加权，实现故障特征整合。
12、上述的1)构建的无监督自适应模块还包括批量归一化、线性校正和最大池化层，用于对注意力机制整合后的特征进行批量归一化、线性校正和最大池化。
13、上述的2)构建的密集连接模块包括两个密集连接块和卷积转化层，两个密集连接块之间插入卷积转化层，卷积转化层包含1x1的卷积层和平均池化层；
14、密集连接块包括1x1与3x3的卷积层，分别用于减少特征图的通道数和特征提取；
15、所述密集连接块的每个层都与前面所有层直接相连，用于重用前层的特征；
16、所述卷积转化层，用于两个密集连接块的特征降维。
17、上述的密集连接块的输出为
18、xl＝hl([x0,x1,...,xl-1]) (1)
19、其中，xl表示密集连接模块第l层的输出，hl表示卷积和池化非线性变换函数，x0，x1，…，xl-1表示在通道方向上连接的原始输入和前l-1层的输出。
20、上述的3)构建的图卷积模块包括图生成层和两层残差连接的图卷积网络，通过图生成层构建实例图，通过两层残差连接的图卷积网络对实例图进行建模。
21、上述的图生成层从密集连接模块输出的特征中学习数据结构，获取邻接矩阵并从矩阵中构造实例图；
22、图生成层构造实例图的过程如下：
23、将密集连接模块输出的每个特征向量视为一个节点，并将其值视为节点特征，构成特征矩阵；
24、将特征矩阵输入到多层感知器mlp，mlp输出的特征与其转置之间的矩阵相乘，获得邻接矩阵；
25、根据top-k排序机制来选择邻接矩阵中每个节点的前k个最近邻居，得到样本结构特征；
26、挖掘样本结构特征的关系，构建实例图；
27、所述图卷积网络对实例图中沿图上加权边传播的结构信息进行建模，以将数据结构信息嵌入到节点特征中。
28、上述的4)构建的softmax分类器为：
29、
30、其中，zi表示第i个类别的得分或特征，k表示总的类别数。
31、上述的5)训练优化过程中，采用的总体损失函数为：
32、
33、其中，分别属于的集合；
34、γ，κ是权衡参数；
35、分类损失为：
36、
37、其中是源域的第i个样本，是源域的第i个标签，ds表示源域；
38、表示标签分类器的预测结果，e(·)表示数学期望。
39、域对齐丢失为：
40、
41、其中表示源域的第i个样本的数学期望，表示目标域的第j个样本的数学期望，dt表示目标域；
42、和分别表示第j个目标样本和第i个样本源样本的提取特征，d(·)的值取0或1，可以用来区分样本属于哪个域；
43、结构对齐损失为：
44、
45、其中表示在源域集合中的第i个样本的数学期望，表示在目标域集合中的第j个样本的数学期望，ω表示距离是通过将提取的特征嵌入rkhs来测量的；
46、表示非线性映射函数。
47、上述的总体损失函数中，θf、θc和θd分别表示特征提取器、标签分类器和域鉴别器的参数，在模型训练优化过程中，每个参数都通过反向传播算法本文档来自技高网...
【技术保护点】
1.一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述1)构建的无监督自适应模块由两个卷积核大小不一致的卷积块和一个注意力机制采用残差连接的方式组成；其中两个卷积核大小不一致的卷积块用于故障信号的故障特征提取，注意力机制用于对每个特征进行加权，实现故障特征整合。
3.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述1)构建的无监督自适应模块还包括批量归一化、线性校正和最大池化层，用于对注意力机制整合后的特征进行批量归一化、线性校正和最大池化。
4.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述2)构建的密集连接模块包括两个密集连接块和卷积转化层，两个密集连接块之间插入卷积转化层，卷积转化层包含1x1的卷积层和平均池化层；
5.根据权利要求4所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述密集连接块的输出为
6.根据权利要求
7.根据权利要求6所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述图生成层从密集连接模块输出的特征中学习数据结构，获取邻接矩阵并从矩阵中构造实例图；
8.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述4)构建的softmax分类器为：
9.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述5)训练优化过程中，采用的总体损失函数为：
10.根据权利要求9所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，总体损失函数中，θF、θC和θD分别表示特征提取器、标签分类器和域鉴别器的参数，在模型训练优化过程中，每个参数都通过反向传播算法进行更新，表示为
...【技术特征摘要】
1.一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述1)构建的无监督自适应模块由两个卷积核大小不一致的卷积块和一个注意力机制采用残差连接的方式组成；其中两个卷积核大小不一致的卷积块用于故障信号的故障特征提取，注意力机制用于对每个特征进行加权，实现故障特征整合。
3.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述1)构建的无监督自适应模块还包括批量归一化、线性校正和最大池化层，用于对注意力机制整合后的特征进行批量归一化、线性校正和最大池化。
4.根据权利要求1所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述2)构建的密集连接模块包括两个密集连接块和卷积转化层，两个密集连接块之间插入卷积转化层，卷积转化层包含1x1的卷积层和平均池化层；
5.根据权利要求4所述的一种基于图卷积域自适应网络的齿轮箱故障诊断方法，其特征在于，所述密集连...
【专利技术属性】
技术研发人员：卢一相，黄跃龙，竺德，赵大卫，高清维，孙冬，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。