一种机械部件的模式识别方法、装置、设备和存储介质制造方法及图纸

一种机械部件的模式识别方法、装置、设备和存储介质，该方法包括：S1、采集机械部件振动加速度信号；S2、对原始信号进行归一化处理，构建为待测样本；S3、将待测样本输入到多个训练完毕的自编码器中，在每个自编码器的中间层得到对应特征；S4、将S3若干个特征组合为特征图，每一项特征作为图上一个节点。同属于同一待测样本的特征之间形成无向的边连接，作为图神经网络的输入；S5、利用图神经网络的图卷积操作进行特征挖掘，并在图神经网络的最后构建Soft

【技术实现步骤摘要】
一种机械部件的模式识别方法、装置、设备和存储介质


[0001]本专利技术属于设备故障检测
，更具体地，涉及一种机械部件的模式识别方法、装置、设备和存储介质。

技术介绍

[0002]机械部件模式识别一直是工业领域研究的热点与难点。在实际工业背景下，机械部件的可靠性直接关系到生产效率与生产安全，若能对机械部件的状态模式进行有效可靠的分析和识别，将大大提高生产加工的安全性，降低设备运维风险。如齿轮、轴承等机械部件往往应用于恶劣的工况下，极易发生损坏，对这类机械部件的故障模式的识别是很有必要，也是很有价值的一项工作。
[0003]针对机械部件的模式识别方法，可以分为传统非智能方法和智能识别方法两类。传统智能识别方法通常建立在人工经验的基础上，针对不同的对象和工况进行步骤的设计，普适性往往不强。智能识别方法得益于大数据分析、人工智能等技术的飞速发展，已经在机械部件模式识别问题上初见成效。其中，基于机器学习、深度学习等技术对振动加速度信号进行特征挖掘和分析，也取得了诸多研究成果。
[0004]然而，现有的机器学习、深度学习模型通常只对样本进行一次特征提取，即使采用了多种特征提取方式，也只是将这些特征进行简单的拼接组合，忽略了样本类型不同时特征结构上的差异，因此难以达到最优的识别效果。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种机械部件的模式识别方法、装置、设备和存储介质，其目的在于准确识别机械部件的当前状态模式。由此解决由于忽略样本特征之间结构差异而导致识别正确率不足的问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种机械部件的模式识别方法、装置、设备和存储介质。
[0007]一种机械部件的模式识别方法，包括：
[0008]S1：采集机械部件振动加速度信号；
[0009]S2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；
[0010]S3：将待测样本输入到多个(一般不少于5个)训练完毕的自编码器中，在每个自编码器的中间表达层得到一个对应特征。其中，所述自编码器个数与所提取的特征个数(区别于特征的维度)是相等的；所述特征的维度，一般地，可设置为待测样本维度的1/2,1/4或1/8等。
[0011]S4：将S3中所述若干个特征组合为特征图，每一项特征作为图上一个节点。同属于同一待测样本的特征之间形成无向的边连接，不属于同一待测样本的特征之间则没有边连接，并以该特征图作为图神经网络的输入；
[0012]S5：利用图神经网络的图卷积操作进行特征挖掘，并在图神经网络的最后构建
Soft
‑
max分类器，实现机械部件的模式识别。
[0013]在其中一个实施例中，所述步骤S3具体包括：
[0014]将待测样本输入到多个自编码器中，经过逐层编码，在自编码器模型的中间表达层提取对应的特征。
[0015]标识该特征的样本来源，即标识其是由哪个样本提取而来。
[0016]在其中一个实施例中，所述步骤S4具体包括：
[0017]构建特征图G，主要包含节点、边两项元素的构建。
[0018]构建节点元素，所述节点即由S3中所述特征构成，总节点个数为待测样本数乘S3中自编码器个数。
[0019]构建边元素，所述节点之间，若同属于一个待测样本，即存在边连接，设置连接权重w为1，否则为0。所述边连接为无向边连接，所述本步骤中的特征图为无向特征图。
[0020]在其中一个实施例中，所述步骤S5具体包括：
[0021]将S4构建的特征图作为图神经网络的输入，并基于多层图卷积操作，进行节点信息和边信息的特征提取。
[0022]所述图卷积操作，一般为3
‑
5次，可根据节点属性的维度来自定义。所述图卷积操作的具体流程可参考如下文献：
[0023]D.I.Shuman,S.K.Narang,P.Frossard,A.Ortega,and P.Vandergheynst,“The emerging field of signal processing on graphs,”IEEE Signal Processing Magazine,vol.30,no.3,pp.83
–
98,2013.
[0024]所述图卷积操作，在具体操作时，采用切比雪夫多项式作为卷积核，从而实现运算的简化。
[0025]在最后一次图卷积操作后，利用Soft
‑
max分类器，得到机械部件的模式识别结果。
[0026]在其中一个实施例中，所述步骤S3之前还包括：
[0027]构架所述自编码器的结构，为输入
‑
隐藏层
‑
中间层
‑
隐藏层
‑
输出层，其中，输入层和输出层神经元个数相等。在一个实施例中，9个自编码器的结构均为1024
‑
768
‑
512
‑
256
‑
512
‑
768
‑
1024。
[0028]所述多个(一般不少于5个)训练完毕的自编码器的训练过程，是基于S2中的待测样本进行编码
‑
解码训练的。训练过程的输入为S2中的待测样本，输出为重构样本，所采用损失函数为二元交叉熵损失函数，所采用训练方式属于无监督训练。
[0029]所述多个(一般不少于5个)训练完毕的自编码器之间是各不相同的，主要差异在于，各个自编码器模型采用的层间激活函数各不相同，保证S3步骤中特征的多样性。一般地，激活函数从ReLU、ELU、Tanh、Sigmoid、Gaussian、LeakyReLU、Sin、Arctan及Softplus中进行选择。
[0030]在其中一个实施例中，所述步骤S5之前还包括：
[0031]所述图神经网络需要依赖一定数目的、已知模式类型的样本来构建特征图，并进行图神经网络训练。从而使得模型能够学习到样本特征结构与模式标签之间的关系。
[0032]特征图上用以模型训练的节点(称为训练节点)都有两项标签，一是该节点的样本来源标签；二是模式类型标签。而用于进行模型测试和模式识别的节点(称为测试节点)仅有样本来源标签，因为该模型的任务就是要识别测试节点的模式类型。
[0033]一种机械部件的模式识别装置，包括：
[0034]采集模块，用于采集所述机械部件的振动加速度原始信号；
[0035]样本构建模块，用于对所述振动加速度信号进行归一化处理得到数据样本，将连续预设数目的所述数据样本构建成一个待测样本；
[0036]特征提取模块，用于将所述待测样本输入到多个自编码器中，得到相等数目的特征。当存在多个待测样本输入时，它们彼此之间的特征互不相干；
[0037]图构建模块，基于提取的特征，构建节点属性和边连接属性，形成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械部件的模式识别方法，其特征在于，包括：S1：采集所述机械部件的振动加速度信号；S2：对所述振动加速度信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；S3：将待测样本分别输入到多个自编码器中，在每个自编码器的中间表达层得到一个对应特征；其中，对每个待测样本，所述自编码器个数与所提取的特征个数是相等的；所述特征的维度可自行设定，一般为待测样本维度的1/2,1/4或1/8；S4：将S3中所述若干个特征组合为特征图，每一项特征作为图上一个节点；同属于同一待测样本的特征之间形成无向的边连接，不属于同一待测样本的特征之间则没有边连接；S5：以S4中所述特征图作为图神经网络的输入，利用图神经网络的多层图卷积操作进行特征挖掘，并在图神经网络模型的最后构建Soft
‑
max分类器，实现机械部件的模式识别；所述步骤S4中构建特征图的过程可划分为构建节点元素和构建边元素两项内容，具体包括：构建节点元素，所述节点即由S3中所述特征构成，节点特征的维度即S3中所述特征的维度，总节点个数为待测样本数乘S3中自编码器个数；构建边元素，所述节点之间，若同属于一个待测样本，即存在边连接，设置连接权重w为1，否则为0；所述边连接为无向边连接，所述特征图为无向特征图。2.如权利要求1所述的方法，其特征在于，所述步骤S3具体包括：将待测样本分别输入到多个自编码器中，经过逐层编码，每个待测样本可以在每个所述自编码器模型的中间表达层得到一个特征；对全部待测样本，特征总数为待测样本个数乘以自编码器个数；以上所述特征提取过程之间互不干涉；对所述每个特征标识该特征的样本来源，即标识其是由哪个样本提取而来。3.如权利要求2所述的方法，其特征在于，所述步骤S3还包括：所述多个自编码器数目一般不少于五个，且它们之间互不相同；其主要差异在于，各个自编码器模型采用的层间激活函数各不相同；激活函数从ReLU、ELU、Tanh、Sigmoid、Gaussian...

【专利技术属性】
技术研发人员：吕翔亘，梅斌，吕孟爱，吕海波，
申请(专利权)人：深圳潜翔定制设计有限公司，
类型：发明
国别省市：