基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统技术方案

本发明专利技术公开了一种基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统。随着人工智能技术的发展，许多基于深度学习的方法被应用到故障诊断中提高设备维修诊断的智能化水平。但该类方法需要大量的标签数据，这不仅造成了资源浪费，而且需要大量的人力劳动。本发明专利技术采用K

【技术实现步骤摘要】
基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统


[0001]本专利技术涉及一种基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统，属于旋转机械故障诊断领域。

技术介绍

[0002]随着当代旋转机械设备的高速，重载以及自动化程度要求不断提高，设备在长时间运行中十分容易出现故障。当设备发生故障时，极易造成极大的经济损失，甚至导致重大事故的发生，因此针对旋转机械开展故障诊断的研究具有十分重要的意义。
[0003]故障检测的核心步骤包括故障特征表征和检测模型的构建。最常见的故障特征表征是通过信号分析方法提取能够反映旋转机械故障状态的敏感特征，但该方法高度依赖人工监测，并且只能提取信号的浅层信息。随着传感器技术的发展，所获得的故障信号的数量和种类越来越多，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，将浅层机器学习模型与旋转机械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；但该类方法很难选择一种合适的特征提取方法，并且提取的多个特征可能存在冗余信息。
[0004]近年来兴起的深度学习算法，因其在图像、语音识别等领域取得的成果，在故障诊断领域的研究也呈现上升趋势。相较于传统浅层机器学习方法，基于深度学习的方法能自动提取特征并建立特征与故障类别之间的复杂映射关系。诸如深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)等深度学习框架都已经应用在旋转机械故障诊断中。该类方法需要大量的有标签样本对大量的网络参数进行训练，以实现其对海量故障数据挖掘与学习的优点。但在实际工作条件下，难以获得大量带标签的数据样本，因此深度学习在标签稀缺的情况下无法达到良好的收敛状态，导致网络模型表达能力不足，泛化性能差。对于传统的无监督深度表示学习方法：如自动编码器(AE)可以实现在没有标签数据辅助的情况下进行特征提取，并在故障特征和故障类别之间建立复杂的映射关系，但它们仅考虑每个故障样本的特征，而忽略各个故障样本之间的关系，从而不能充分挖掘故障样本的特征。因此，研究无标签样本情况下挖掘故障特征具有很大应用价值。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出了一种基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统，其利用基于GraphSAGE以无监督的方式提取旋转机械的故障特征，并结合经典分类器，构建故障诊断模型。
[0006]本专利技术方法包括以下步骤：
[0007]S1：在旋转机械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，构建故障样本集。
[0008]S2：根据S1中构建的故障样本集，以各故障样本为节点，故障样本的连接关系为
边，采用K
‑
近邻法(KNN)构建故障样本图。
[0009]S3：以S2构建的故障样本图作为输入，基于图采样与聚合算法(GraphSAGE)，结合分类器，构建基于无监督图神经网络特征提取的旋转机械故障诊断模型。
[0010]S4：基于S2构建的故障样本图按不同比例划分训练集、验证集以及测试集，对构建的基于无监督图神经网络特征提取的旋转机械故障诊断模型进行训练、调参以及评估。
[0011]进一步地，所述步骤S1构建故障样本集，具体如下：
[0012](1)旋转机械在正常以及不同故障共d种状态，即FS＝{FS1,FS2,
…
,FS
d
}，且分别采集不同位置传感器返回的振动加速度信号。
[0013](2)对各传感器在d种状态下返回的每个振动加速度信号进行均匀采样，共采集n个样本，即每个样本为包含m个采样点的信号片段。
[0014](3)将在d种状态下采集的样本进行竖向拼接，构建故障样本集S＝{s1,s2,
…
,s
n
}，其中n为采集样本个数。
[0015]进一步地，所述步骤S2构建故障样本图，具体如下：
[0016](1)在故障样本集S＝{s1,s2,
…
,s
n
}中，采用傅里叶变换提取每个故障样本的频域特征FFT(S)＝{FFT(s1),FFT(s2),
…
,FFT(s
n
)}，基于频域特征采用欧式距离计算故障样本间的相似度。
[0017](2)采用K
‑
近邻法(KNN)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，计算其他故障样本到该故障样本的相似度，统计相似度最近的K个故障样本，其中哪一类故障样本最多，则这些故障样本为该故障样本对应的最相似的故障样本。
[0018](3)构建的故障样本图G(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。
[0019]进一步地，所述步骤S3中，以故障样本图作为输入，构建基于无监督图神经网络特征提取的旋转机械故障诊断模型，具体如下：
[0020](1)对故障样本图中的节点进行邻域采样，以节点s
i
为中心，在k
‑
1阶邻域节点N
k
‑1(s
i
)中，随机采样a个节点。
[0021]其次，针对每个k
‑
1阶邻域节点，在其各自的k
‑
2阶邻域N
k
‑2(s
i
)中分别随机采样b个节点。
[0022](2)对节点信息进行特征聚合，从k
‑
2阶邻居N
k
‑2(s
i
)传播到k
‑
1阶邻居N
k
‑1(s
i
)，然后传播到节点s
i
。
[0023]首先，k
‑
1阶邻域的向量表述可由下式进行计算。
[0024][0025][0026]其中，mean表示求均值，concat表示进行向量拼接。
[0027]针对某一个k
‑
1阶邻域节点，计算其k
‑
2阶邻域的平均频率特征然后将与其自身的频率特征进行拼接求均再执行ReLU非线性变换。同理，节点s
i
的向量表示可通过下式进行计算。
[0028][0029][0030]计算其k
‑
1阶邻域的平均频率特征然后将与s
i
的频率特征进行拼接加权再执行ReLU非线性变换；
[0031](3)采用交叉熵损失函数来训练模型中的权重W1和W2[0032][0033]其中N为所选节点对的数量，y
i
为正标签，p(y
i
)为正标签的概率。
[0034]最终，获得每个故障样本节点的向量表示z
u
；
[0035](4)采用分类器对故障样本节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于无监督图神经网络特征提取的旋转机械故障诊断方法，其特征在于包括：S1：在旋转机械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，构建故障样本集；S2：根据S1中构建的故障样本集，以各故障样本为节点，故障样本的连接关系为边，采用K
‑
近邻法构建故障样本图；S3：以S2构建的故障样本图作为输入，基于图采样与聚合算法，结合分类器，构建基于无监督图神经网络特征提取的旋转机械故障诊断模型；S4：基于S2构建的故障样本图按不同比例划分训练集、验证集以及测试集，对构建的基于无监督图神经网络特征提取的旋转机械故障诊断模型进行训练、调参以及评估。2.根据权利要求1所述的基于无监督图神经网络特征提取的旋转机械故障诊断方法，其特征在于，所述步骤S1构建的故障样本集，具体如下：S1
‑
1：在旋转机械正常以及不同故障共d种状态下，即FS＝{FS1,FS2,
…
,FS
d
}，且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d种状态下返回的每个振动加速度信号进行均匀采样，共采集n个样本，每个样本为包含m个采样点的信号片段；S1
‑
3：将在d种状态下采集的样本进行竖向拼接，构建故障样本集S＝{s1,s2,
…
,s
n
}。3.根据权利要求1所述的基于无监督图神经网络特征提取的旋转机械故障诊断方法，其特征在于，所述步骤S2构建的故障样本图，具体如下：S2
‑
1：在故障样本集S＝{s1,s2,
…
,s
n
}中，采用傅里叶变换提取每个故障样本的频域特征FFT(S)＝{FFT(s1),FFT(s2),
…
,FFT(s
n
)}，基于频域特征采用欧式距离计算故障样本间的相似度；S2
‑
2：采用K
‑
近邻法确定每个故障样本对应的最相似的故障样本；S2
‑
3：构建的故障样本图G(V,E,F)，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。4.根据权利要求1所述的基于无监督图神经网络特征提取的旋转机械故障诊断方法，其特征在于，所述步骤S3以故障样本图作为输入，构建基于无监督图神经网络特征提取的旋转机械故障诊断模型，具体如下：S3
‑
1：对故障样本图中的节点进行邻域采样以节点s
i
为中心，在k
‑
1阶邻域节点N
k
‑1(s
i
)中，随机采样a个节点；其次，针对每个k
‑
1阶邻域节点，在其各自的k
‑
2阶邻域N
k
‑2(s
i
)中分别随机采样b个节点；S3
‑
2：对节点信息进行特征聚合从k

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