【技术实现步骤摘要】
本专利技术涉及航空发动机故障诊断，具体涉及一种基于图注意力小波神经网络的航空发动机故障诊断方法。
技术介绍
1、航空发动机是现代航空运输的关键组成部分，其可靠性和性能对于飞机的安全和运行效率至关重要。然而，航空发动机在使用过程中可能会出现各种故障，包括机械故障、燃烧不良、传感器故障等。这些故障如果未能及时诊断和修复，可能导致严重事故的发生，甚至危及飞行人员和乘客的生命安全。在过去的几十年里，航空发动机故障诊断技术得到了广泛的研究和应用。传统的诊断方法主要基于运营人员的经验和直觉，或者依赖于人工进行检查和维修。然而，这些方法存在着人为判断的主观性和局限性，无法满足快速准确诊断的需求。
2、为了克服传统方法的局限性，近年来，基于机器学习和人工智能的航空发动机故障诊断技术得到了广泛关注和研究。这些技术通过收集和分析大量的实时数据，包括发动机的振动、温度、压力等参数，利用机器学习算法和模式识别技术，能够自动识别和分类各种发动机故障，并提供准确的诊断结果和修复建议。然而，由于航空发动机的复杂性和多变性，准确地识别和分类故障仍然是一个具有挑战性的任务。其次，由于航空发动机故障数据采集困难，可用样本稀缺，如何充分挖掘已有数据的结构信息、在小样本状态下进行准确的故障诊断也是一个重要的问题。此外，航空发动机的工作环境恶劣，如高温、高压、高速等，对故障诊断技术的抗噪性和稳定性提出了更高的要求。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种基于图注意力小波神经网络的航空发
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、本专利技术提出了一种基于图注意力小波神经网络的航空发动机故障诊断方法，包括以下步骤：
4、s1、获取航空发动机在运转状况下各类故障的振动信号；
5、s2、将获取的各类故障的振动信号转换为对应的路图信号；
6、s3、采用多种小波核函数生成图小波基组，并利用交叉注意力机制实现对不同图小波基的重要性建模，然后根据不同图小波基的重要性求得图注意力小波基；
7、s4、利用图注意力小波基构造图注意力小波神经网络，并利用路图信号对图注意力小波神经网路进行训练，得到航空发动机故障分类模型；
8、s5、将获取的航空发动机的待测振动信号转换成对应的路图信号，并通过训练好的航空发动机故障分类模型得到航空发动机故障分类结果。
9、进一步地，步骤s1还包括：
10、使用滑窗对获取的各类故障的振动信号进行切片，生成长度一致的样本信号。
11、进一步地，步骤s1还包括：
12、按照小样本原则将各类故障的振动信号划分为训练集和测试集，并将训练集和测试集随机打散。
13、进一步地，步骤s2具体包括：
14、将获取的各类故障的振动信号中每个采样点作为图的一个顶点，然后根据采样顺序在相邻顶点之间构造边，生成每个振动信号对应的路图信号。
15、进一步地，所述路图信号中顶点个数为切片后的振动信号的采样点数。
16、进一步地，步骤s3中采用交叉注意力机制对不同图小波基的重要性建模并根据不同图小波基的重要性求得图注意力小波基具体包括以下步骤：
17、采用路图信号顶点特征乘以注意力参数矩阵作为查询矩阵，采用图小波基组中的图小波基乘以不同的注意力参数矩阵作为键矩阵组，采用图小波基组乘以单位矩阵作为值矩阵组，将查询矩阵分别与键矩阵组中键矩阵的转置相乘得到注意力评分，然后根据注意力评分对不同图小波基(值矩阵组)进行加权求和得到图注意力小波基。
18、进一步地，所述图小波基、查询矩阵、键矩阵、值矩阵以及图注意力小波基的计算公式为：
19、ψi＝u·diag(gi(λ1),…,gi(λn))·ut
20、q＝relu(xwq)
21、ki＝relu(ψiwik)
22、vi＝ψii
23、
24、
25、其中，gi(x)表示第i个小波核函数，u为图拉普拉斯矩阵的特征向量，λj为图拉普拉斯矩阵的特征值，ψi表示第i个小波核函数生成的图小波基，x表示输入信号，wq、wik表示注意力参数矩阵，i为单位矩阵，q为查询矩阵、ki为键矩阵(键矩阵组第i个元素)、vi为值矩阵(值矩阵组第i个元素)，k表示小波核函数的个数，ψatten表示图注意力小波基。
26、进一步地，步骤s4中所述图注意力小波神经网络具体包括：
27、依次连接的第一特征变换层、图注意力小波变换层、非线性激活层、第二特征变换层、全局平均图池化层和softmax激活层。
28、进一步地，所述图注意力小波变换层的计算公式为：
29、
30、其中，表示输出信号，ψatten表示图注意力小波基，x表示输入信号。
31、本专利技术具有以下有益效果：
32、本专利技术将原始时域振动信号变换为图信号，然后使用不同小波核函数生成图小波基组，同时使用交叉注意力机制实现对不同图小波基的重要性建模并根据不同图小波基的重要性求得图注意力小波基，最后使用图注意力小波基构造图注意力小波神经网络模型从而实现航空发动机故障信号的分类，能够有效增强故障分类模型的抗噪性和泛化能力，并且提高故障诊断的准确性。
本文档来自技高网...【技术保护点】
1.一种基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤S1还包括：
3.根据权利要求1或2所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤S1还包括：
4.根据权利要求1所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤S2具体包括：
5.根据权利要求1或4所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，所述路图信号中顶点个数为切片后的振动信号的采样点数。
6.根据权利要求1所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤S3中采用交叉注意力机制对不同图小波基的重要性建模并根据不同图小波基的重要性求得图注意力小波基具体包括以下步骤：
7.根据权利要求6所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，所述交叉注意力机制的计算公式为：
8.根据权利要求1所述的基于图注意力小
9.根据权利要求8所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，所述图注意力小波变换层的计算公式为：
...【技术特征摘要】
1.一种基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤s1还包括：
3.根据权利要求1或2所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤s1还包括：
4.根据权利要求1所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，步骤s2具体包括：
5.根据权利要求1或4所述的基于图注意力小波神经网络的航空发动机故障诊断方法，其特征在于，所述路图信号中顶点个数为切片后的振动信号的采样点数。
6....
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。