基于多输入并行图卷积神经网络的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于多输入的并行图卷积神经网络半监督滚动轴承故障诊断方法。本发明专利技术基于滚动轴承正常和不同故障状态下各传感器的振动加速度信号，采用限定半径最近邻法，以故障样本作为节点，故障样本间的相似性为边，构建各传感器下的故障样本图。然后，以各传感器下的故障样本图作为输入，构建具有多输入的并行图卷积神经网络半监督故障诊断模型，并通过训练和调参以获得最优模型。本发明专利技术提出的故障诊断方法具有较高的精度，同时能够实现在少量有标记样本的情况下，也能获得较高的故障诊断精度。诊断精度。诊断精度。

【技术实现步骤摘要】
基于多输入并行图卷积神经网络的滚动轴承故障诊断方法


[0001]本专利技术涉及一种基于多输入的并行图卷积神经网络半监督滚动轴承故障诊断方法，属于旋转机械故障诊断领域。

技术介绍

[0002]滚动轴承是旋转机械中应用最为广泛的机械零件，在国民经济和国防事业中，诸如先进轨道交通装备、航空发电机以及工业、农业等设备的运转都离不开滚动轴承。但是，设备长时间运转，再加上外界的高温、潮湿甚至腐蚀等不良环境，滚动轴承极易发生磨损和表面损伤等故障。因此，针对滚动轴承进行故障诊断研究是十分有必要的。它能够保证机械设备的健康运转，实现故障提早发现，做到防患于未然。
[0003]早期，滚动轴承的故障诊断是通过分析和处理传感器采集的振动信号来实现的。随着数据采集技术的发展，能够获得的故障数据越来越多，基于信号分析的故障诊断技术已经不能满足故障诊断的需求。因此，将诸如人工神经网络、随机森林和支持向量机等机器学习模型与滚动轴承的特征参数有机的结合进行综合分析的智能诊断技术得到了快速发展。
[0004]近年来，随着故障数据规模向海量规模发展，诸如卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多输入并行图卷积神经网络的滚动轴承故障诊断方法，其特征在于包括：S1：在滚动轴承正常及各故障状态运行下，采集不同位置传感器返回的振动加速度信号；通过采样和拼接的方法，构建各传感器下的故障样本集；S2：根据S1中构建的各传感器下的故障样本集，以各故障样本为节点，故障样本的连接关系为边，采用限定半径最近邻法构建各传感器下的故障样本图；S3：以S2构建的各传感器下的故障样本图作为输入，基于图卷积神经网络层，结合全连接层、非线性激活层，构建基于多输入的并行图卷积神经网络半监督故障诊断模型；S4：基于S2构建的各传感器下的故障样本图，对构建的基于多输入的并行图卷积神经网络半监督故障诊断模型进行训练、调参以及评估；S5：在S4构建的多输入的并行图卷积神经网络半监督故障诊断模型的输入端加入高斯白噪声以达到模拟实际滚动轴承工作环境，并根据前向传递计算得到振动加速度信号的频域特征，完成故障诊断。2.根据权利要求1所述的基于多输入并行图卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述步骤S1构建各传感器下的故障样本集，具体如下：S1
‑
1：在滚动轴承正常以及不同故障共k种状态下，分别采集不同位置传感器返回的振动加速度信号；S1
‑
2：对各传感器在k种状态下返回的每个振动加速度信号进行连续采样，每n个时刻采一次，共采集m个样本，即每个样本为包含n个采样点的信号片段；S1
‑
3：将同一个传感器在k种状态下采集的样本进行竖向拼接，构建同一个传感器下的故障样本集S
i
；那么，各传感器下的故障样本集为S＝{S
i
}
i＝1,2,
…
,a
，其中a为传感器的个数。3.根据权利要求1所述的基于多输入并行图卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述步骤S2构建各传感器下的故障样本图，具体如下：S2
‑
3：在同一传感器下的故障样本集S
i
中，采用傅里叶变换提取每个故障样本的频域特征，基于频域特征采用欧式距离计算故障样本间的相似度；S2
‑
3：采用限定半径最近邻法确定每个故障样本对应的最相似的故障样本，即任意一个故障样本，给定一个距离半径，若其他故障样本到该故障样本的相似度小于距离半径，则这些故障样本为该故障样本对应的最相似的故障样本；S2
‑
3：构建同一传感器下的故障样本图G
i
(V,E,F)，其中，以每个故障样本作为故障样本图中的节点V，对应的频域特征作为节点属性F，以每个故障样本与其最相似的故障样本相连为原则构建故障样本图的边E；同样的，各传感器下的故障样本图为{G
i
(V,E,F)}
i＝1,2,
…
,a
。4.根据权利要求1所述的基于多输入并行图卷积神经网络的滚动轴承故障诊断方法，其特征在于，所述步骤S3以各传感器下的故障样本图作为...

【专利技术属性】
技术研发人员：冯静，鲍守洋，侯平智，徐晓滨，章振杰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：