基于图神经网络的局部异常因子GNN-LOF的早期故障诊断方法技术

本发明专利技术公开了一种提高滚动轴承故障诊断精度的基于图神经网络的局部异常因子GNN

【技术实现步骤摘要】
基于图神经网络的局部异常因子GNN
‑
LOF的早期故障诊断方法


[0001]本专利技术涉及一种基于图神经网络的局部异常因子GNN
‑
LOF早期故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械的关键部件，其健康状态直接关系到整个机械设备的安全运行。轴承故障一般由早期的微小故障逐渐积累并演变产生，这就要求对滚动轴承早期故障实行有效监测与诊断。基于时域、频域和时频域进行滚动轴承早期故障特征提取时，难以提取深度和本质特征，且提取的特征易发生重叠，导致诊断精度不高。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供一种基于图神经网络的局部异常因子GNN
‑
LOF故障诊断方法，以解决滚动轴承早期故障信号幅值和强度小、特征极其不明显，具有随机性和隐蔽性，易被系统扰动和噪声掩盖，提取的故障特征在进行故障诊断时精度不高的问题。
[0004]为实现上述目的，本专利技术采取以下技术方案：一种基于图神经网络的局部异常因子GNN
‑
LOF的早期故障诊断方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的局部异常因子GNN
‑
LOF的早期故障诊断方法，具体步骤如下：步骤1、建立故障数据集为X，X＝[x1,x2,...,x
n
]，利用图神经网络提取数据的特征值，然后建立欧几里得结构故障数据集为X，X＝[x1,x2,...,x
n
]，将欧几里得结构故障数据集转换为图；具体如下：1.1计算对象之间的相似性；1.2构造X
i
的邻域N
k
(X
i
)选择与X
i
最相似的k个对象作为X
i
的邻居，由X
i
的邻居形成的集合称为X
i
的邻域，表示为N
k
(X
i
)；1.3计算有向边权重连接X
j
到X
i
的边上的权重由下述公式计算：如果则X
j
和X
i
之间的权重为0，如果X
j
∈N
k
(X
i
)，则X
j
和X
i
之间的相似性越高，连接这两个物体的边缘的权重就越高；1.4生成图结构数据将数据集X中的每个对象作为一个顶点，将顶点与它们之间的连接关系结合起来，形成有向图A，公式如下所示：Graph＝(V,E,W)其中，W(X
i
,X
j
)不一定等于W(X
j
,X
i
)，A中的对角线值为1；步骤2、特征提取设计一个多层前馈图神经网络来提取数据集X中每个对象及其邻居的特征，计算公式如下所示：Z＝f(X,A)＝ReLU((ReLU(XAW
(0)
‑
b
(0)
)AW
(1)
‑
b
(1)
)其中X表示要检测的数据集，A表示由X构造的邻接矩阵，W表示隐藏层之间的权重矩阵，ReLU表示激活函数，b表示偏置，权重通过批量梯度下降更新；步骤3、采用基于距离的离群点检测算法或基于聚类的异常检测算法进行故障诊断。2.如权利要求1所述的一种基于图神经网络的局部异常因子GNN
‑
LOF的早期故障诊断方法，其特征在于：所述步骤1.1计算对象之间的相似性，采用Sim(X
i
，X
j
)测量对象之间的余弦相似性，计算公式如下所示：3.如权利要求1所述的一种基于图神经...

【专利技术属性】
技术研发人员：陈彩凤，袁逸萍，杜旭升，樊盼盼，陈攀，陈钧钖，张润泽，谭东贵，
申请(专利权)人：新疆大学，
类型：发明
国别省市：