【技术实现步骤摘要】
本专利技术涉及旋转机械故障检测，特别涉及一种基于图卷积网络的轴承故障诊断方法、装置及设备。
技术介绍
1、滚动轴承作为旋转机械中的关键部件，为设备静止部件和旋转部件搭建桥梁，但也是发生故障的主要来源；据统计表明，旋转机械发生的故障大约30%—40%来源于轴承部件；发生这种情况的主要原因是轴承长期在高温、高压以及高载荷的条件下运转，容易造成结构性损伤；因此，开展对轴承运行状况的监测能够让工作人员及时发现并解决故障，降低事故发生率，从而确保机械设备安全运转；然而，由于轴承通常位于设备的内部，导致故障呈现初期症状不明显，人工难排查，后期危害大的特点；随着工业互联网和传感器技术的不断发展，轴承的故障诊断技术日益趋向于智能化；智能故障诊断通过传感器采集大量运行数据，然后应用数据挖掘技术找到隐藏的故障模式，相比于传统的依靠人工经验的方法效率更高，诊断也更准确；其中基于深度学习的方法自动学习高级特征，为智能故障诊断提供了强有力的工具。
2、基于深度学习的轴承故障诊断方法可以自动挖掘故障特征，实现高精度和高效率的诊断，已成为当前的研究热点；但它们大多数是基于故障样本独立同分布的假设进行特征学习，忽略了故障样本之间的内在联系；对于同一故障类型的轴承样本，它们会共享一些相似的故障特征，通过挖掘它们之间的关联关系可以更好地学习该故障类型的典型特征信息；而对于不同故障类型的样本，它们之间可能存在着某些隐性的联系，这些联系不一定直接体现在原始特征中，但却可以通过样本间的相互作用和信息传递被挖掘出来，从而有助于提取区分不同故障类型的深层特征表示
3、基于图神经网络的轴承故障诊断方法旨在利用采集到的轴承历史数据（训练集）训练模型，然后应用于判断目前轴承（测试集）的故障类别；该方法基于一个前提假设，轴承的训练集和测试集应服从相同的分布，然而在工业场景中该假设很难被满足；因为机械设备在生产运行过程中，轴承的负载和转速等工况是变化的；负载是指作用在轴承上的压力，如起重机在吊运不同重量的货物时，轴承所承受的载荷就会有相应的改变；转速是指轴承旋转的速度，根据工艺要求会调整相应的转速，如机床在粗加工和细加工时会切换不同的转速；轴承的这种工况变化使得采集的训练集和测试集数据存在分布差异，造成域偏移问题，即在训练集训练的模型无法很好地泛化在测试集；因此，对于现阶段的基于深度学习的故障诊断方法，因其是基于故障样本独立同分布的假设进行特征学习，忽略了故障样本之间的内在联系，难以捕捉更深层次、更复杂的故障特征表示，致使对于故障识别的准确度较低。
技术实现思路
1、本专利技术实施例提供一种基于图卷积网络的轴承故障诊断方法、装置及设备，可以解决现有技术中，存在的现阶段的基于深度学习的故障诊断方法，因其是基于故障样本独立同分布的假设进行特征学习，忽略了故障样本之间的内在联系，难以捕捉更深层次、更复杂的故障特征表示，致使对于故障识别的准确度较低的问题。
2、本专利技术实施例提供一种基于图卷积网络的轴承故障诊断方法，包括以下步骤：
3、获取滚动轴承在不同工况下的振动信号；将滚动轴承在不同工况下的振动信号分解为包含故障标签的源域数据和无故障标签的目标域数据；
4、利用图卷积网络gcn构建特征提取模块，利用图卷积网络gcn和最大均值差异mmd分别构建领域分类层和故障分类层；并将特征提取模块、领域分类层和故障分类层级联以构建网络诊断模型；
5、在网络诊断模型的特征提取模块中引入基于邻近算法knn的关联图构造法和节点嵌入法，并将关联图构造法和节点嵌入法融合至特征提取模块，获得改进后的特征提取模块；在网络诊断模型的领域分类层中引入伪标签一致性学习策略，获得改进后的领域分类层；在网络诊断模型的故障分类层引入自适应阈值，获得改进后的故障分类层；及将改进后的特征提取模块、改进后的领域分类层和改进后的故障分类层级联形成改进后的网络诊断模型；
6、将目标域数据和源域数据输入至改进后的网络诊断模型中；利用改进后的特征提取模块中的关联图构造法构造一个顶点相互连接的关联图，利用改进后的特征提取模块中的节点嵌入法，将目标域数据和源域数据中的特征分别嵌入在关联图中的顶点上，形成特征节点分类连接的关联图；利用改进后的领域分类层中的伪标签一致性学习策略将关联图内的目标域数据进行弱和强两种增强，并使用弱增强数据的伪标签监督强增强数据，及将目标域数据分类的决策边界调整为目标域的稀疏区域对目标域数据进行分类；利用改进后的故障分类层中包含的自适应全局阈值和自适应局部阈值的自适应阈值将分类后的目标域数据设置为不同的阈值，根据不同的阈值输出滚动轴承的故障诊断结果。
7、优选地，所述特征提取模块的构建基于图卷积网络gcn在图结构数据上进行特征提取和模式识别的特性；
8、所述最大均值差异mmd是将两个分布不同的数据和映射到公共的再生希尔伯特空间rkhs，并进行分布距离的度量；利用最大均值差异mmd图卷积网络gcn分别构建领域分类层和故障分类层。
9、优选地，所述关联图的构造，包括：
10、采用基于邻近算法knn的方式构建关联图，即通过计算目标域和源域中每个数据特征之间的欧式距离寻找每个特征顶点最近的 n个邻居，将特征顶点与 n个邻居用边相连，并利用高斯核函数赋予边权重；基于邻近算法knn的构图方程为：
11、
12、其中：表示顶点和之间的欧氏距离； x ia表示的第维数据，每个的维度为； x ja表示的第维数据，每个的维度为；为返回顶点在节点集中前 n个距离较近的顶点集合，并用表示；表示顶点和顶点相连边的权重； ζ表示高斯核的带宽；
13、在关联图 g=（ v， e）构造完成时，其中表示节点集合， n为节点数目， e表示边的集合。
14、优选地，所述在关联图 g=（ v， e）构造完成后，特征提取模块捕捉在关联图中目标域样本和源域样本之间的关联关系，包括：
15、将构造好的关联图输入图卷积网络gcn中捕捉目标域样本和源域样本之间的关联关系，学习空间结构特征，目标域和源域故障数据在 l+1层学习到的空间结构特征为：
16、
17、其中：σ(·)表本文档来自技高网...
【技术保护点】
1.一种基于图卷积网络的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述特征提取模块的构建基于图卷积网络GCN在图结构数据上进行特征提取和模式识别的特性；
3.根据权利要求1所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述关联图的构造，包括：
4.根据权利要求3所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述在关联图G=（V，E）构造完成后，特征提取模块捕捉在关联图中目标域样本和源域样本之间的关联关系，包括：
5.根据权利要求4所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述目标域样本和源域样本之间关联关系捕捉后，将目标域样本和源域样本内的原始特征分布进行对齐，使用多核最大均值差异MK-MMD对基于弱增强的目标域和源域进行特征差异度量；
6.根据权利要求1所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述使用弱增强数据的伪标签监督强增强数据，包括：
7.根据权利要求1所述的一种基于图卷积网
8.一种基于图卷积网络的轴承故障诊断装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器；
...【技术特征摘要】
1.一种基于图卷积网络的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述特征提取模块的构建基于图卷积网络gcn在图结构数据上进行特征提取和模式识别的特性；
3.根据权利要求1所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述关联图的构造，包括：
4.根据权利要求3所述的一种基于图卷积网络的轴承故障诊断方法，其特征在于，所述在关联图g=（v，e）构造完成后，特征提取模块捕捉在关联图中目标域样本和源域样本之间的关联关系，包括：
5.根据权利要求4所述的一种基于图卷积网络的轴承故...
【专利技术属性】
技术研发人员：袁冠，沈刚，李丹妮，张艳梅，汤裕，朱真才，李翔，
申请(专利权)人：中国矿业大学，
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。