传动系统多源监测数据的图变分自编码特征提取方法技术方案

公开了一种传动系统多源监测数据的图变分自编码特征提取方法，包括：使用多个传感器采集故障模拟实验系统的信号，分别采集正常信号与故障信号；使用得到的数据根据多传感器网络图数据构造方法构造多传感图信号，并划分训练集和测试集；将训练集数据输入到图注意力变分自编码模型中进行训练，对多模态异构图信号进行特征提取与编码，获取图信号的低维嵌入融合特征表示；继续将所提取的图信号的低维嵌入融合特征输入到全局平均池化层中进行图读出操作，进而将图读出特征输入到全连接层分类器，与图注意力变分自编码模型编码器部分协同训练与分类，并通过测试集进行测试，将测试准确率最高的模型保存为最优的多源数据融合与故障特征提取模型。故障特征提取模型。故障特征提取模型。

【技术实现步骤摘要】
传动系统多源监测数据的图变分自编码特征提取方法


[0001]本公开属于传动系统故障诊断领域，具体涉及一种传动系统多源监测数据的图变分自编码特征提取方法。

技术介绍

[0002]传动齿轮箱作为火炮、直升机、航空发动机等重大装备传动系统的重要部件之一，其健康状态对重大装备的运行安全与装备可靠性至关重要。随着智能运维与健康管理技术的不断发展，使用深度学习模型去构建故障特征挖掘与状态映射成为主流方法。通过将采集得到的大量正常数据与故障数据，输入深度网络进行训练，可以得到很好的分类映射模型。但现在大部分智能诊断模型均是通过单传感器数据进行训练完成，即使有少部分模型使用了多个传感器数据进行训练，其也仅仅是对单传感器数据训练出来的特征或决策结果进行简单拼接与融合，没有考虑到传感器之间的空间结构关系。传动系统零部件众多，工况恶劣，内置传感与外置传感采集信息丰富。因此，应用好所有的传感器信息对系统部件进行智能诊断，设计多源传感信息进行融合与故障特征提取策略是诊断的关键所在。
[0003]虽然现有卷积神经网络等模型可以很好的提取信号中的特征，但是其难以挖掘不同传感器信号之间的关系，也就很难对多源信息进行融合与特征提取。图神经网络可以很好的挖掘图中传感器节点的空间关系，是实现传感网络数据挖掘的天然技术思路。但常用的图神经网络存在过平滑问题，提取的融合特征较差，丢失信息较多。而基于谱方法的图神经网络一般均为直推式学习，训练图需要整个图作为输入参与，是基于某个具体的图的，换一个图信号，模型就需要从头开始训练。其泛化性一般是较差的，而泛化性又是故障诊断领域所要求的一个重点。
[0004]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0005]针对现有技术中的不足，本公开的目的在于提供一种传动系统多源监测数据的图变分自编码特征提取方法，图注意力网络是一种归纳式学习，是一种基于空域的方法，可以泛化到别的图上，注意力机制也可以很好的对图信号进行消息传递与传感信息融合，而图变分自编码器可以更好的提取低维图嵌入信息，使得特征提取过程中信息损失的最小化，从而完成多源数据融合与故障特征的提取。
[0006]为实现上述目的，本公开提供以下技术方案：
[0007]一种传动系统多源监测数据的图变分自编码特征提取方法包括如下步骤：
[0008]步骤S100：使用多个传感器采集传动系统的故障模拟实验系统的正常信号与故障信号；
[0009]步骤S200：基于所述正常信号与故障信号根据多传感器网络图数据构造方法构造多传感图信号，并划分训练集和测试集；
[0010]步骤S300：将训练集数据输入到图注意力变分自编码器模型(GAT
‑
VAE)中进行训练，对多模态异构图信号进行特征提取与编码，获取多模态异构图信号的低维嵌入融合特征表示；
[0011]步骤S400：将所述低维嵌入融合特征输入到全局平均池化层中进行图读出操作得到图读出特征，进而将所述图读出特征输入到全连接层分类器，与图注意力变分自编码模型GAT
‑
VAE编码器部分协同训练与分类，并通过测试集进行测试，将测试准确率最高的模型保存为最优的多源数据融合与故障特征提取模型。
[0012]所述的方法中，步骤S100中，使用多个振动传感器采集传动系统的故障模拟实验系统的实验数据，传动系统的故障模拟实验系统模拟两种不同的转速条件，每种转速条件中包含一种齿轮正常状态与四种不同故障程度的齿轮健康状态，得到2个正常信号和8个故障信号共10种健康状态，数据采样频率均为10kHz。
[0013]所述的方法中，步骤S200中，所述多传感器网络图数据构造方法包含如下步骤：
[0014]S201：对于由τ个传感器组成的多变量时间序列X＝[X1，X2，...，X
τ
]，首先对单个传感器X
i
的单变量序列进行划分，将长度为l的原始数据划分为长度为J的子样本，并为每个子样本分配相应的标签，样本之间没有重叠，获得的子样本集可以表示为：
[0015][0016]式中，∏是获得的子样本集，x表示子样本，y表示标签，n表示子样本的数量；
[0017]S202：根据所获得的子样本集∏，将每个子样本视为多传感器图网络一个节点来构造具有τ个节点的图，并通过计算余弦距离的方法寻找传感器邻居，记为RadiusGraph方法，通过RadiusGraph方法得到邻接矩阵的方法可以表示如下：
[0018]ε＝
‑
radius(x
i
，x
j
)
[0019][0020]其中，
‑
radius(
·
)计算节点x
i
和节点x
j
的余弦相似性ε，A(i，j)为图的邻接矩阵中第i行第j列的值，γ
p
为确定节点间是否存在边的阈值，本方法中，阈值设置为0。
[0021]所述的方法中，步骤S300中，所述图注意力变分自编码模型GAT
‑
VAE包括：
[0022]S30l：编码器部分使用图注意力层(GAT)与非线性激活函数(ReLU)对图信号生层一个低维特征矩阵：
[0023][0024]其中，X为节点特征矩阵，A为邻接矩阵。
[0025]S302：第二个GAT层生成隐变量的均值μ与对数方差log σ2：
[0026][0027]S303：从隐变量的均值μ与方差σ中采样出隐变量z，使模型可以继续训练：
[0028]z＝μ+σ
×
ε，ε～N(0，1)
[0029]其中，N(0，1)表示正态分布，ε从正态分布中进行采样。
[0030]S304：对隐变量z进行GATPooling图池化：
[0031]Z＝GATPooling(Z，A)
[0032]其中，GATPooling(
·
)表示图注意力池化层。
[0033]S305：解码器通过两层全连接层(Full Connect layers，FCLayers)解码得到节点特征向量：
[0034]X
′
＝FCLayers(FCLayers(Z))，
[0035]S306：图注意力变分自编码模型GAT
‑
VAE的损失函数可以表示为：
[0036]L＝MSELoss(X
′
，X)
[0037]其中，MSELoss(
·
)指均方误差损失，表示为：
[0038][0039]所述的方法中，步骤S301中，GAT层为图注意力网络，其步骤为：
[0040]S3011：根据节点特征计算节点注意力系数：
[0041][0042]其中，为节点特征，表示单层神经网络的参数，表示节点i的邻居，α
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传动系统多源监测数据的图变分自编码特征提取方法，其特征在于，其包括如下步骤：步骤S100：使用多个传感器采集传动系统的故障模拟实验系统的正常信号与故障信号；步骤S200：基于所述正常信号与故障信号根据多传感器网络图数据构造方法构造多传感图信号，并划分训练集和测试集；步骤S300：将训练集数据输入到图注意力变分自编码器模型GAT
‑
VAE中进行训练，对多模态异构图信号进行特征提取与编码，获取多模态异构图信号的低维嵌入融合特征表示；步骤S400：将所述低维嵌入融合特征输入到全局平均池化层中进行图读出操作得到图读出特征，进而将所述图读出特征输入到全连接层分类器，与图注意力变分自编码模型GAT
‑
VAE的编码器部分协同训练与分类，并通过测试集进行测试，将测试准确率最高的模型保存为最优的多源数据融合与故障特征提取模型。2.根据权利要求1所述的方法，其特征在于，优选的，步骤S100中，使用多个振动传感器采集传动系统的故障模拟实验系统的实验数据，传动系统的故障模拟实验系统模拟两种不同的转速条件，每种转速条件中包含一种齿轮正常状态与四种不同故障程度的齿轮健康状态，得到2个正常信号和8个故障信号共10种健康状态，数据采样频率均为10kHz。3.根据权利要求1所述的方法，其特征在于，步骤S200中，所述多传感器网络图数据构造方法包含如下步骤：S201：对于由τ个传感器组成的多变量时间序列X＝[X1，X2，...，X
τ
]，首先对单个传感器X
i
的单变量序列进行划分，将长度为l的原始数据划分为长度为d的子样本，并为每个子样本分配相应的标签，样本之间没有重叠，获得的子样本集可以表示为：式中，∏是获得的子样本集，x表示子样本，y表示标签，n表示子样本的数量；S202：根据所获得的子样本集∏，将每个子样本视为多传感器图网络一个节点来构造具有τ个节点的图，并通过计算余弦距离的方法寻找传感器邻居，以下记为RadiusGraph方法，通过RadiusGraph方法得到邻接矩阵的方法可以表示如下：ε＝
‑
radius(x
i
，x
j
)其中，
‑
radius(
·
)计算节点x
i
和节点x
j
的余弦相似性ε，A(i，j)为图的邻接矩阵中第i行第j列的值，γ
p
为确定节点间是否存在边的阈值，本方法中，阈值设置为0。4.根据权利要求1所述的方法，其特征在于，步骤S300中，所述图注意力变分自编码模型GAT
‑
VAE包括：S301：编码器部分使用图注意力层GAT与非线性激活函数ReLU对图信号生层一个低维特征矩阵：其中，X为图的节点特征矩阵，A为图的邻接矩阵；
S302：第二个图注意力层GAT层生成隐变量的均值μ与对数方差logσ2：S303：从隐变量的均值μ与方差σ中采样出隐变量z，使模型可以继续训练：z＝μ+σ
×
ε，ε～N(0，1)其中，N(0，1)表示正态分布，ε从正态分布中进行采样；S304：对隐变量z进行GATPooling图池化：Z＝GATPooling(Z，A)其中，GATPooling(
·
)表示图注意...

【专利技术属性】
技术研发人员：孙闯，杨远贵，李亚松，许洪，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：