本发明专利技术提供了一种基于Time GAN‑SSGC‑GAT的回转支承故障诊断方法，该方法通过Time GAN方法对原始样本特征进行数据增强，扩充了训练集，解决了训练模型的小样本问题。通过SSGC方法，将时间序列信号转换为非欧结构图数据。采用带有多头注意机制的GAT方法对图结构数据进行节点分类，对不同的邻域分配不同的注意权值，解决了传统深度学习方法无法充分利用训练样本间空间关系的问题，从而实现多工况下的回转支承故障诊断，以及对雷达伺服系统的安全维护。
【技术实现步骤摘要】
本专利技术涉及一种基于time gan-ssgc-gat的回转支承故障诊断方法，属于回转支承故障诊断领域。
技术介绍
1、起重机械、工程机械、军用特种车辆等领域重大装备中，回转支承作为一种新型的零部件，在机械领域中起到非常重要的作用。由于回转支承在运行时转速低、承载能力高、工况复杂多变，为了保证设备的正常运转和顺利进行、维护机械设备和人员安全和减少不必要的损失，对其进行故障诊断研究非常必要。
2、然而，现有的故障诊断方法虽然在回转支承领域中表现出优异的成果，但是对于变工况、小样本、多传感器融合等问题在试验研究中并未涉及到，并且没有探索样本数据特征之间的关系和相互依赖性。因此，一些研究提出了以不规则图的新形式显示数据。并且研究提出的方法与传统方法不同，它需要建立复杂的图数据，这使现有的机器学习算法面临严峻挑战。同时，这也使得类似卷积的重要操作在欧几里得空间领域应用广泛，但难以在非欧几里得空间中对图形结构数据建模。图神经网络(graph neural network,gnn)是一种基于深度学习的处理图域信息的方法，它因具有分析图形结构数据的能力而受到了广泛的关注。由于gnn能够对数据之间的相互依赖关系进行建模并将其嵌入到提取的特征中，因此该方法逐渐成为故障诊断领域的研究热点。但是gnn忽略了输入信息的重要性和数据的相互依赖性。对于不同的邻域，故障信息关联度不同。若给定相同的权重，则会丢失一定程度的信息，从而影响故障诊断最终结果。gat网络弥补了gnn的固有缺陷，通过对不同连接节点分配的自适应注意力权重值来显示其优越性。</p>3、此外，在回转支承实际数据信号采集过程中，常常存在数据样本少、采集成本高等问题。目前，使用基于数据的方法对进行数据质量加以提高或进行扩充成为处理小样本数据的常用方法，其具体包含变分自编码(variational auto-encoders，vae)、生成对抗网络(generative adversarial networks，gan)、迁移学习、合成少数类过采样技术(syntheticminority over sampling technique，smote)、tradaboost模型等。但是在上述提到的方法中没有充分考虑时间序列数据的自身相关性，也缺少对数据生成质量的评价和提高，从而导致在故障数据扩充过程中存在精度不高的问题。由此可见，研究在小样本数据背景下的样本数据增强方法，充分考虑对时间序列信息对特征影响进行样本数据扩充，对开展回转支承故障诊断预测与健康管理具有重要意义。
技术实现思路
1、专利技术目的：针对现有技术中存在的不足，本专利技术提供了一种基于time gan-ssgc-gat的回转支承故障诊断方法，该方法通过time gan方法对原始样本特征进行数据增强，扩充了训练集，解决了训练模型的小样本问题。通过ssgc方法，将时间序列信号转换为非欧结构图数据。采用带有多头注意机制的gat方法对图结构数据进行节点分类，对不同的邻域分配不同的注意权值，解决了传统深度学习方法无法充分利用训练样本间空间关系的问题，从而实现多工况下的回转支承故障诊断，以及对雷达伺服系统的安全维护。
2、技术方案：
3、一种基于time gan-ssgc-gat的回转支承故障诊断方法，具体包括如下步骤：
4、步骤1、搭建实验装备，包含4个加速度传感器和1个声发射传感器。4个加速度传感器分别沿回转支承内圈的一周间隔90°均匀布置在表面竖直方向上方，一个声发射传感器位于固定回转支承的底座下方，其中加速度传感器包含三个单向加速度传感器和一个三向加速度传感器；
5、步骤2：采集回转支承不同状态及工况下的状态监测数据信号，将采集的数据信号分为：健康回转支承样本、一个滚动体故障回转支承样本、内圈故障回转支承样本和外圈故障回转支承样本；
6、所述步骤2中，回转支承不同状态包括4种状态分别为：
7、没有进行破坏的健康回转支承、带有约1mm深裂纹凹孔的内圈故障回转支承、带有约1mm深不规则划痕的外圈故障回转支承和一个滚子磨损的滚动体故障回转支承；
8、采集的回转支承不同状态及工况下的状态监测数据信号包括振动信号acc和声发射信号ae；
9、根据采集的振动信号acc和声发射信号ae进行样本构造，样本构造过程具体包括以下步骤：
10、步骤2.1：试验中采样频率设置为50khz，采样间隔为1分钟，每次的采样时长均为1分钟，根据确定好的采样频率、采样时间以及采样间隔时间，从而获得回转支承在不同运转状态下的历史监控数据，采集的回转支承关键状态数据信号样本存储格式如下所示：
11、
12、式中，m表示每一组回转支承信号样本的行数；每一列代表一个传感器的信号传输通道。
13、步骤2.2：得到上述4种状态的回转支承下采集的所有数据样本信号，将采集的数据信号分为：健康回转支承样本n、一个滚动体故障回转支承样本b1、故障回转支承样本i和外圈故障回转支承样本o。
14、将健康回转支承样本组成的集合记为：
15、
16、式中，表示第i组健康回转支承样本，nn表示健康回转支承样本总数；
17、将滚动体故障回转支承样本组成的集合记为：
18、
19、式中，表示第i组一个滚动体故障回转支承样本，nb1表示一个滚动体故障回转支承样本总数；
20、将内圈故障回转支承样本组成的集合记为：
21、
22、式中，表示第i组内圈故障回转支承样本，ni表示故障回转支承样本总数；
23、将外圈故障回转支承样本组成的集合记为：
24、
25、式中，表示第i组外圈故障回转支承样本，no表示外圈故障回转支承样本总数。
26、步骤3：采用person相关性系数来衡量各传感器通道采集到的数据信号之间的关联程度，以此作为传感器选择的依据；
27、所述步骤3中，采用person相关性系数用于计算每个传感器通道之间的系数，衡量各传感器通道采集到的数据信号之间的关联程度，将两者相关性系数在0.7以上的传感器通道信号作为传感器采集信号选择的依据；
28、步骤3.1：根据各类型回转支承样本，计算各传感器通道之间的pearson相关性系数；
29、
30、式中，x和y为随机两个不相同的传感器信号通道；cov(x,y)为通道x和y两者之间的协方差；σx和σy为通道x和通道y的各自标准差；
31、步骤3.2：通过各传感器通道采集到的信号特征，根据person相关系数法计算得出各传感器通道间的相关性系数，画出其热力图。
32、步骤4：提取数据集的时域、频域、时频域特征，标注对应标签，建立真实样本数据特征集real；
33、所述步骤4中，提取数据集的时域、频域、时频域特征，具体包括：绝对均值、峰值、均方根值、方根幅值、本文档来自技高网
...
【技术保护点】
1.一种基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：具体包括如下步骤：
2.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
3.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
4.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
5.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
6.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
7.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
8.如权利要求1所述的基于Time GAN-SSGC-GAT的回转支承故障诊断方法，其特征在于：
【技术特征摘要】
1.一种基于time gan-ssgc-gat的回转支承故障诊断方法，其特征在于：具体包括如下步骤：
2.如权利要求1所述的基于time gan-ssgc-gat的回转支承故障诊断方法，其特征在于：
3.如权利要求1所述的基于time gan-ssgc-gat的回转支承故障诊断方法，其特征在于：
4.如权利要求1所述的基于time gan-ssgc-gat的回转支承故障诊断方法，其特征在于：
【专利技术属性】
技术研发人员：孙丽，任小蝶，周宏根，刘寅飞，吴军，李国超，史肖娜，李磊，
申请(专利权)人：江苏科技大学，
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。