【技术实现步骤摘要】
本专利技术属于故障诊断，具体涉及基于knn带权有向图的图注意力神经网络机械故障诊断方法。
技术介绍
1、传统的机器学习模型，如多层感知机和支持向量机，通常将信号特征集中在时域、频域和时频域，这些模型只适用于样品数据量小，模式简单的场景。近年来以卷积神经网络、自编码器、生成式对抗网络为代表的深度学习模型在故障诊断领域得到了广泛的应用，特征提取仍然侧重于数据值，缺乏对数据中隐藏的关系和结构的探索。这些传统的神经网络通常只能处理欧几里得数据，如图像、语音和文本等。而对于故障检测中所用的轴承振动信号这类时序数据图像，由此转化的数据节点一般而言只能独立进行节点状态更新，因此无论是不同的时序数据片段之间的关联性，还是特征信息，现有技术难以捕捉足够的信息。
技术实现思路
1、本专利技术目的是提供基于knn带权有向图的图注意力神经网络机械故障诊断方法，以解决现有技术难以在时序特征中捕捉足够的特征信息和时序数据片段之间的关联性，导致对轴承振动信号进行处理时只能侧重与数据值，因而存在检测结果准确性和可靠性不足的问题。
2、所述的基于knn带权有向图的图注意力神经网络机械故障诊断方法，包括下列步骤。
3、步骤1：采集轴承振动的时序数据形成数据集，再构建基于knn的带权有向图，构建带权有向图的方法包括数据切分、随机分组、建立带权有向图和fft变换。
4、步骤2：将带权有向图输入训练后的网络模型结构进行故障检测，本方法的网络模型结构属于图注意力网络gat，包括两个gatc
5、优选的，所述步骤1包括下列步骤：
6、s1.1、数据切分：将数据集中的每条时序数据切分成长度为l的n个节点，每个节点的特征序列为相对应的长度为l的时序数据。
7、s1.2、随机分组：将所述的n个节点随机打乱，按照m个节点一组划分成若干整数组。
8、s1.3、基于knn建立带权有向图：将划分的每一组数据使用knn算法，计算出每个节点最近的k个节点。
9、s1.4、fft变换：将对应每个节点的长度为l的时序数据进行fft变换从而得到对应的频谱特征。
10、优选的，所述步骤s1.3中，将m个节点划分为一组后设置相应的knn参数k，确定对应各个节点距离最近的k个节点，则每个节点具有指向与其距离最近节点的边，各边的权重计算公式为：
11、
12、其中，di表示当前节点到最近的k个节点中的第i个节点的距离，而wi表示对应的边的权重。由于数据有多组，因此所得带权有向图为若干图组成的一个图组。
13、优选的，所述步骤2中，所述带权有向图的图数据作为输入，经过gatconv层处理，再经过topkpooling层对节点进行下采样得到处理后的新的图数据，新的图数据分别通过不同的两种方式处理，一种是将新的图数据依次经过gatconv层、topkpooling层处理，再经过全局平均池化得到结果图一；而另一种是对新的图数据直接进行全局平均池化得到结果图二；将结果图一和结果图二通过特征值相加构建新特征图，所述新特征图是一个特征图的图组对应输入的带权有向图，最后将新特征图中各个特征图相加并展平，通过全连接神经网络进行分类，输出故障标签。
14、优选的，所述步骤2的网络模型结构中，gatconv层采用gat机制，即在gcn中引入自关注机制，在更新节点的特征向量时，gatconv层首先计算所有邻居的注意力系数，然后将注意力系数乘以对应邻居的特征，然后求和得到更新后的节点特征。
15、优选的，gatconv层更新节点的特征向量时，具体计算过程如下：gatconv层的输入是一组节点特征输出为计算各节点间的注意系数如下式所示：
16、
17、其中，aij表示i节点和j节点间的注意力系数；w为可训练的权重参数，表示对每个节点应用一个由权重矩阵参数化的共享线性变换；表示注意力机制相关的权重向量的转置，为可训练的权重参数；表示经过权重转换之后的i节点的特征和j节点的特征的拼接，表示经过权重转换之后的i节点的特征和k节点的特征的拼接；mi表示和i节点相连的节点的集合，leakyrelu()表示通过激活函数leakyrelu处理。
18、优选的，对于最后聚合完的输出h′，其中的元素安下式计算：
19、
20、其中，σ表示激活函数sigmoid，aij表示i节点和j节点间的注意力系数，w为可训练的权重参数，表示对每个节点应用一个由权重矩阵参数化的共享线性变换，表示gatconv层的输入h中的第j个元素。
21、本专利技术具有以下优点：本专利技术采用了图神经网络，这是一种用于处理图形数据的深度学习技术，能通过捕捉节点和边之间的依赖关系来处理非欧几里得数据。本专利技术还在图神经网络的基础上引入了注意力机制，即采用图注意力网络(gat)处理输入数据，因此本专利技术会充分考虑数据间的关系，使其在处理图结构数据时能更准确地捕捉到数据间的关联性。本专利技术将图注意力网络应用于轴承故障诊断中，较传统的深度神经网络相比，该结构能够更准确的捕捉到数据内部的关联性，能够捕捉到更多的信息，大大提高检测结果的准确性和可靠性。
22、同时在本专利技术提供的gat中，每个节点的状态更新会考虑到其邻居节点的状态，gat会计算一个节点与其邻居节点之间的注意力权重，然后根据这个权重来更新节点的状态，从而使得能够捕捉到更多的信息。较其他方法相比，采用本方法建立的图结构包含了各个节点之间的状态转换的方向信息和权重信息，包含更多特征。
本文档来自技高网...【技术保护点】
1.基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤1包括下列步骤：
3.根据权利要求2所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤S1.3中，将m个节点划分为一组后设置相应的KNN参数K，确定对应各个节点距离最近的K个节点，则每个节点具有指向与其距离最近节点的边，各边的权重计算公式为：
4.根据权利要求3所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤2中，所述带权有向图的图数据作为输入，经过GATconv层处理，再经过TopKPooling层对节点进行下采样得到处理后的新的图数据，新的图数据分别通过不同的两种方式处理，一种是将新的图数据依次经过GATconv层、TopKPooling层处理，再经过全局平均池化得到结果图一；而另一种是对新的图数据直接进行全局平均池化得到结果图二；将结果图一和结果图二通过特征值相加构建新特征图，所述新特征图
5.根据权利要求4所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤2的网络模型结构中，GATconv层采用GAT机制，即在GCN中引入自关注机制，在更新节点的特征向量时，GATconv层首先计算所有邻居的注意力系数，然后将注意力系数乘以对应邻居的特征，然后求和得到更新后的节点特征。
6.根据权利要求5所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：GATconv层更新节点的特征向量时，具体计算过程如下：GATconv层的输入是一组节点特征输出为计算各节点间的注意系数如下式所示：
7.根据权利要求5或6所述的基于KNN带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：对于最后聚合完的输出h′，其中的元素按下式计算：
...【技术特征摘要】
1.基于knn带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的基于knn带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤1包括下列步骤：
3.根据权利要求2所述的基于knn带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤s1.3中，将m个节点划分为一组后设置相应的knn参数k，确定对应各个节点距离最近的k个节点，则每个节点具有指向与其距离最近节点的边，各边的权重计算公式为：
4.根据权利要求3所述的基于knn带权有向图的图注意力神经网络机械故障诊断方法，其特征在于：所述步骤2中，所述带权有向图的图数据作为输入，经过gatconv层处理，再经过topkpooling层对节点进行下采样得到处理后的新的图数据，新的图数据分别通过不同的两种方式处理，一种是将新的图数据依次经过gatconv层、topkpooling层处理，再经过全局平均池化得到结果图一；而另一种是对新的图数据直接进行全局平均池化...
【专利技术属性】
技术研发人员：徐铭，姚磊，方佳，张晓光，王涵，杨元璋，
申请(专利权)人：安徽智质工程技术有限公司，
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。