基于深度图卷积网络的滚动轴承复合故障智能诊断方法技术

本发明专利技术公开了一种基于深度图卷积的滚动轴承复合故障诊断方法，包括以下步骤：首先，采集轴承的振动信号，将其划分成子样本；其次，将由各子样本构成图样本；最后，利用深度图卷积(DGCN)模型提取图的特征，实现复合故障的快速分类。DGCN模型能够实现端对端的诊断模式，省去了传统诊断方法中复杂的特征工程。使用顶点和边构造的图可以为诊断模型的训练提供更多信息。实验结果表明，该方法在针对同一工况、不同工况和样本不平衡的滚动轴承复合故障方面具有很大优势。针对复合故障与单一故障样本间相关性高易造成分类错误的问题，本方法能有效避免单一故障与复合故障之间的错分类。避免单一故障与复合故障之间的错分类。避免单一故障与复合故障之间的错分类。

【技术实现步骤摘要】
基于深度图卷积网络的滚动轴承复合故障智能诊断方法


[0001]本专利技术涉及一种基于深度图卷积网络的滚动轴承复合故障智能诊断方法。

技术介绍

[0002]滚动轴承作为旋转机械的重要组成部分，同时也是最容易损坏的组件。据统计，在使用滚动轴承的旋转机械中，约有30％的机械故障都与轴承相关，其运行状态直接影响着设备的整体性能。在实际工程中，轴承多种故障并存形成复合故障。复合故障状态的振动信号并不是单一故障信号的简单叠加，而是与其他零部件的振动信号通过复杂的传递路径耦合在一起，不同零部件的故障相互作用、相互影响，使得复合故障信号的特征表现为非平稳和非线性，给轴承故障的判定与定位带来很大的困难。因此，如何从复合故障信号中提取各故障特征是当前研究的重点和难点。
[0003]传统滚动轴承故障诊断方法中最重要的一步是特征提取，目的是提取信号中有用的故障信息，从而提高故障诊断的准确率。常用的特征提取方法有主成分分析法(PCA)、小波变换(WT)、短时傅里叶变换(STFT)等。目前多数故障诊断方法在处理非平稳、非线性信号时需要人工选择特征，不同的特征选择决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图卷积网络的滚动轴承复合故障智能诊断方法，包括以下步骤：(1)基于时间序列构建图形将信号长度为L的原始时间序列X，进行归一化处理，归一化后的数据表示为：X
nol
＝normalization(X)
ꢀꢀꢀꢀ
(1)其中X
nol
是归一化时间序列，normalization(
·
)表示归一化方法；其次，将信号长度为L原始时间序划分为长度为d的子样本，每个样本之间没有重叠，并为每个子样本分配相应的标签，获得的子样本集可以表示为：为每个子样本分配相应的标签，获得的子样本集可以表示为：其中∏表示构建的超样本集，表示子样本，y
n
表示标签，n表示子采样的数量；对每个子样本进行快速傅里叶变换(FFT)，将得到的频谱作为新的样本，其过程可以表示为：其中FFT(
·
)表示将子样本转换为频域并取结果的前半部分；最终得的一个带标签的数据集，表示为：(2)构造图结构数据将上述获得的带标签数据集构建加权图，通过将每个子样本视为图中的节点来构造具有n个节点的图；估计样本之间的距离，并定义一个阈值ε；如果余弦相似度大于阈值，则两个节点之间会有一条边；可以通过以下方式获得节点x
i
的邻居节点：其中是的邻居节点，ε是选定的半径，这里阈值ε取0，计算节点与的余弦相似度；通过一个阈值高斯核权函数计算每两个节点之间的权值：其中β是高斯函数的带宽方差；(3)故障诊断结构将上述处理好的数据放入深度图卷积模型中进行处理，并输出处理结果；深度图卷积模型采用动量随机梯度下降SGD作为优化器进行超参数优化；其中动量随机梯度下降SGD的动量为0.9，迭代次数epochs为100，批处理大小batch size为64，学习速率衰减策略用于调整学习速率，权重衰减值初始化为0.0005，学习率learn rate为0.001，网络节点数为640，边的数量为5760；深度图卷积模型包括输入层、第一卷积层、第一归一化层、第二卷积层、第
二归一化层、全连接层、输出层；第一层图卷积层中，输入的节点特征图大小为512，输出的节点特征图大小为1024，图卷...

【专利技术属性】
技术研发人员：陈彩凤，袁逸萍，赵飞阳，陈钧钖，张润泽，薛景文，郭开宇，
申请(专利权)人：新疆大学，
类型：发明
国别省市：