本发明专利技术公开了一种基于多感受域GCN的水电机组故障诊断方法和系统，属于水电机组故障诊断技术领域。本发明专利技术通过构建图结构数据，将振动样本抽象为节点，振动样本的时域特征和频域特征作为节点的属性，将相关度高的振动样本之间抽象为边，相关度作为边的权重，最大程度上利用有限振动样本中的信息。并提出一种多感受域图卷积网络模型，有效处理图结构数据，利用样本之间的相关信息，将不同感受域的特征结合起来，进一步提升了样本特征的质量，从而有效地提升水电机组故障诊断精度和实时性。地提升水电机组故障诊断精度和实时性。地提升水电机组故障诊断精度和实时性。
【技术实现步骤摘要】
一种基于多感受域GCN的水电机组故障诊断方法和系统
[0001]本专利技术属于水电机组故障诊断
，更具体地，涉及一种基于多感受域GCN的水电机组故障诊断方法和系统。
技术介绍
[0002]水电机组的安全运行保障能源安全和电网安全的关键。水电机组是发挥水电站能源供给功能和经济效益的核心，担负着电网调峰填谷、调频调相、旋转备用等多重任务。机组启停和工况转换频繁，水力冲击、机械失效和电磁不平衡等因素可能诱发水电机组异常振动、结构疲劳、电气故障、运行方式破坏等各种故障与事故，危害性极其严重。水电机组故障数据具有可用的标记样本较少、人工标记难度较大等问题。在深度学习模型飞速发展的今天，需要采用一种高效的、能适应少样本的模型方法对机组故障进行精确诊断。
[0003]水电机组故障诊断使用的信号主要是机组在运行过程中利用传感器监测到的振动信号。针对一维信号，常用的特征提取方法是采用时域分析、频域分析以及时频域方法对信号进行处理。这一类特征提取方法虽然简单，但是提取的特征具有实际意义，能够一定程度上表征轴承各种运行状态的特点。常用的时频域分析方法包括短时傅里叶变换(Short
‑
Time Fourier Transform，STFT)、小波变换(wavelet transform，WT)，变分模态分解(Variational Mode Decomposition，VMD)等。利用时频域方法提取各种特征后，一般难以直接区分每种运行状态，因此常常需要利用机器学习方法对提取的特征进行进一步学习。在故障诊断领域常用的机器学习算法包括随机森林(Random Forest，RF)、支持向量机(Support Vector Machines，SVM)、朴素贝叶斯(Naive Bayes，NB)分类器等模型。这种方法具有构造简单、分类速度较快等特点，因此在故障诊断发展早期被大量的应用。但是这种方法难以拟合复杂的故障情况，当需要识别的类别较多时，难以得到满意的结果。
[0004]深度学习模型具有端到端的特性，可以直接对信号特征进行提取从而省略利用专业知识提取特征这一步骤，具有较强的模型泛化能力，同时能够拟合较为复杂的数据分布，具有较高的精确度。其中，卷积神经网络(Convolutional Neural Network，CNN)、深度置信网络(Deep Belief Network，DBN)、自编码器(Autoencoder，AE)等深度网络在故障诊断领域被广泛使用。但是这类基于深度学习的故障诊断模型通常需要大量的标签数据进行训练才能得到较为满意的结果，而现实情况中带标签的数据比较稀少，从而导致一般的深度学习方法在实际场景下表现较差。
[0005]专利CN113324754A公开了一种基于多感受野图卷积的齿轮传动系统故障识别方法，构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络，通过第一关联图数据对多感受野图卷积网络进行训练；将第二关联图数据输入训练后的多感受野图卷积网络，实现对未知故障的齿轮传动系统的故障识别。然而，该方法存在以下不足和缺陷：
[0006]1、该方法直接将振动样本的时序数据作为节点特征，由于为了较好地表征振动信号的完整特征，样本的原始时序数据点较多，因此在进行图卷积网络训练时，占用大量的计
算内存空间，不利于满足现场使用中故障识别实时性的要求。
[0007]2该方法构建的关联图数据样本中边的权值均为1，而不同样本特征并不是完全一致的，各个样本之间的相关关系并不相同，简单的把边的权值定义为1不能很好地表现样本之间的关系，会对诊断结果产生消极的影响。
[0008]3、该方法所构建的多感受野图卷积网络包含两个多感受野图卷积层，每一层包括3个感受野的图卷积网络模块。在这样的模型结构下，模型训练所需的时间将会增加，不利于满足现场使用中故障识别实时性的要求。
技术实现思路
[0009]针对现有技术的缺陷，本专利技术的目的在于提供一种基于多感受域GCN的水电机组故障诊断方法和系统，旨在解决现有诊断方法无法满足实时性和精度的问题。
[0010]为实现上述目的，第一方面，本专利技术提供了一种基于多感受域GCN的水电机组故障诊断方法，包括：
[0011](1)获取水电机组待诊断期间的振动数据，按照振动周期划分为多个待测振动样本，得到待诊断振动样本集；
[0012](2)构建待诊断振动样本集对应的图结构数据，具体过程为：
[0013](2.1)将每个振动样本抽象为节点；(2.2)计算每个振动样本的时域特征和频域特征，作为该节点的属性；(2.3)计算两两振动样本之间的相关度，若相关度低于失效阈值，则这两个振动样本之间不存在边，否则，这两个振动样本之间存在边，且相关度作为边的权重；
[0014](3)将待诊断振动样本集对应的图结构数据输入至训练好的多感受域图卷积网络模型，得到每个待测振动样本的故障诊断结果；
[0015]所述多感受域图卷积网络模型的训练过程为：
[0016]获取水电机组历史振动数据，按照振动周期划分为多个振动样本，标注各振动样本的故障类型，得到训练振动样本集；
[0017]构建训练振动样本集对应的图结构数据；
[0018]采用训练振动样本集对应的图结构数据训练多感受域图卷积网络模型，得到训练好的多感受域图卷积网络模型。
[0019]优选地，所述计算每个振动样本的时域特征具体如下：
[0020][0021][0022][0023][0024]p5＝max(x(n))
[0025][0026][0027][0028][0029][0030][0031]其中，x(n)表示时序信号，即水电机组振动的原始数据，N表示该振动样本内数据点的数量。
[0032]需要说明的是，本专利技术提出11种时域特征，其中一部分特征(p1与p3～p5)反映了信号在时间域内的幅值与能量的特征，另一部分特征(p2与p6～p
11
)反映了信号在时间序列的分布情况，因此该时域特征集合能较为完整的反应信号的时域特征，有助于后续故障识别的精度提升。
[0033]优选地，所述计算每个振动样本的频域特征具体如下：
[0034][0035][0036][0037][0038][0039][0040][0041][0042][0043][0044][0045][0046]其中，s(k)表示振动样本FFT变换后频谱的第k个值，K表示频谱线的数量，f(k)表示第k条谱线的频率值。
[0047]需要说明的是，本专利技术提出12种频域特征，其中一部分特征(p
12
～p
15
、p
17
和p
21
～p
23
)反映了信号频谱的收敛性，另一部分特征(p
16
与p
18
～p
20
)反映了信号频率成分中主要频率的分布情况，该频域特征集合能较好地反映信号在频域中的特征，有本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多感受域GCN的水电机组故障诊断方法，其特征在于，包括：(1)获取水电机组待诊断期间的振动数据，按照振动周期划分为多个待测振动样本，得到待诊断振动样本集；(2)构建待诊断振动样本集对应的图结构数据，具体过程为：(2.1)将每个振动样本抽象为节点；(2.2)计算每个振动样本的时域特征和频域特征，作为该节点的属性；(2.3)计算两两振动样本之间的相关度，若相关度低于失效阈值，则这两个振动样本之间不存在边，否则，这两个振动样本之间存在边，且相关度作为边的权重；(3)将待诊断振动样本集对应的图结构数据输入至训练好的多感受域图卷积网络模型，得到每个待测振动样本的故障诊断结果；所述多感受域图卷积网络模型的训练过程为：获取水电机组历史振动数据，按照振动周期划分为多个振动样本，标注各振动样本的故障类型，得到训练振动样本集；构建训练振动样本集对应的图结构数据；采用训练振动样本集对应的图结构数据训练多感受域图卷积网络模型，得到训练好的多感受域图卷积网络模型。2.如权利要求1所述的方法，其特征在于，所述计算每个振动样本的时域特征具体如下：下：下：下：p5＝max(x(n))＝max(x(n))＝max(x(n))＝max(x(n))
其中，x(n)表示时序信号，即水电机组振动的原始数据，N表示该振动样本内数据点的数量。3.如权利要求1所述的方法，其特征在于，所述计算每个振动样本的频域特征具体如下：下：下：下：下：下：下：下：下：下：下：下：
其中，s(k)表示振动样本FFT变换后频谱的第k个值，K表示频谱线的数量，f(k)表示第...
【专利技术属性】
技术研发人员：李超顺，肖湘曲，邓友汉，黄洁，余甜，何鸿翔，袁成建，
申请(专利权)人：华中科技大学，
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。