【技术实现步骤摘要】
本专利技术涉及直升机故障诊断领域，尤其是涉及基于图卷积网络的直升机故障诊断方法、系统及设备。
技术介绍
1、直升机由于其高机动性，被广泛应用于消防和医疗服务等领域。然而，与普通旋转机械部件相比，直升机传动系统、动力装置、旋翼系统和尾桨系统等系统部件的转速更高、载荷更大、冲击更严重、摩擦生热量更多、工作环境温度更高，并且难以保证良好润滑、短时间内存在大范围工况变化、某些情况下存在严重打滑等。当直升机某一旋转机械部件出现故障，将会严重影响运行的可靠性，酿成严重的飞行事故，造成不堪设想的后果。因此，全面系统地对直升机旋转机械部件进行故障的监测及诊断方法研究，对保证直升机的安全运行、降低维护、维修费用以及保障人民的生命和财产安全具有重大的现实意义。
2、由于直升机传动系统中的旋翼轴承、传动齿轮等零部件多为高速且工作条件复杂、时变，振动信号极其容易受到噪声的污染，普通cnn或gcn难以准确提取到故障特征，这使得特征提取变得极具挑战性。将现有的方法应用于工作条件恶劣的故障诊断是困难的，传统的卷积网络在这样的条件下进行故障诊断极不可靠。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提出基于图卷积网络的直升机故障诊断方法、系统及设备，利用双流特征融合网络从振动信号中挖掘更深更丰富的多尺度特征，从而增强模型在故障特征学习上对噪声等恶劣环境的鲁棒性，而后使用去噪自编码器进行特征融合后将提取的特征应用于多感受野图卷积网络，进一步学习数据间的潜在关系对旋转机械进
2、为达到上述目的，本专利技术的技术解决方案是：
3、基于图卷积网络的直升机故障诊断系统，具体包括以下步骤：
4、步骤一、在直升机的传动系统、动力系统、旋翼系统、尾桨系统等含有齿轮或轴承的旋转机械合适位置安装传感器，实现信号的获取；
5、步骤二、对采集到的振动信号进行数据处理；
6、步骤三、将处理完成的振动信号划分为训练集和测试集；
7、步骤四、构建的故障诊断方法，所述方法由融合高斯滤波器的卷积网络及普通网络组成的并行网络、去噪自动编码和多感受野图卷积网络组成；
8、步骤五、使用训练集训练步骤四构建的网络获得训练完成的网络；
9、步骤六、使用测试集测试步骤五训练完成的网络获得直升机旋转机械故障诊断网络。
10、进一步地，所述步骤二包括以下步骤：
11、首先，传感器所采集的振动信号为长时间序列数据，将长时域信号分割成较短的时间窗口或者片段，通过控制窗口长度决定每个时间窗口包含的数据点数量，重叠率决定相邻时间窗口之间的重叠部分，以捕捉信号的局部特征和变化；
12、然后，使用最大最小化的归一化方法将数据线性地映射到[0,1]范围内对数据进行归一化，以减少模型在预测时的误差，提高模型的稳定性和可靠性，具体为：
13、
14、其中xnorm是归一化后的数据，xmin和xmax分别是数据集中的最小值和最大值。
15、进一步地，所述步骤三包括以下步骤：
16、首先，设置样本提取参数获得处理完成的振动信号，获得若干个样本；
17、然后，按照预设比例将样本划分为训练集和测试集，并分别按照不同的健康状态设定不同的类别标签。
18、进一步地，所述步骤四包括：由普通cnn和融合高斯滤波器的cnn组成的并行网络、基于去噪自动编码的特征融合模块及多感受野图卷积网络组成；
19、进一步地，所述步骤四中的普通cnn，如下式：
20、
21、其中，l表示当前的卷积层数；h,w,d分别表示三阶张量的大小；f表示所有卷积核的集合；i,j表示索引变量；
22、进一步地，所述步骤四中融合高斯滤波器的cnn，具体为：
23、不同概率分布的噪声信号在整体上趋于高斯分布，一维离散高斯函数为
24、
25、其中x为整数变量；σ表示标准差；使用高斯函数构建序列gs＝3＝{f[-1],f[0],f[1]}给输入信号x＝{x1,x2,…,xn}，去噪信号具体为：
26、
27、gs＝3＝{y1,y2,…,yn}为高斯滤波器输出的去噪信号，将高斯滤波器输出信号与原始信号进行串联，具体为：
28、z＝[x,gs＝3]
29、其中[·]表示串联操作。
30、进一步地，所述步骤四中用于特征融合的去噪自动编码包括，具体为：
31、
32、z＝gθ′(y)＝s(w′y+b′)
33、lh(x,z)＝h(bx,bz)
34、其中表示经过扰动、遮挡或添加噪声后的输入数据；fθ表示编码器函数；gθ′表示解码器函数；s(·)表示激活函数；wand b分别表示权重矩阵和偏差向量；lh(x,z)表示哈希损失；h表示汉明距离，用于衡量两个二进制编码之间的不同位数的数量；bx表示输入x的二进制哈希编码；bz表示对应潜在表示z的二进制哈希编码。
35、进一步地，所述步骤四中的多感受野卷积网络，具体为：
36、
37、其中和表示具有不同感受野的三个gconv层的权值参数，[·]表示融合操作；
38、多感受野卷积网络使用邻接矩阵和图节点特征作为图卷积神经网络的输入，具体为：
39、
40、其中和表示邻接矩阵，w1,w2和w3表示权值参数。
41、基于图卷积网络的直升机故障诊断设备包括存储器、处理器、计算机程序；
42、所述计算机程序用于实现基于图卷积网络的直升机故障诊断方法；
43、所述计算机程序存储在存储器上，在处理器上运行。
44、本专利技术的有益效果为：
45、本专利技术利用了cnn、高斯滤波器分支和去噪自动编码器(dae)进行特征提取和融合，以适应直升机工作环境的复杂性。此外，多感受野图卷积网络捕获来自不同场的信息，增强了节点表示，进一步提高了故障诊断的性能。本专利技术的实际应用有助于提高直升机的安全性和可靠性，降低维护成本，保障人民的生命和财产安全。
本文档来自技高网...【技术保护点】
1.基于图卷积网络的直升机故障诊断系统，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的故障诊断方法，其特征在于，具体包括：由融合高斯滤波器的卷积网络及普通网络组成的并行网络、去噪自动编码和多感受野图卷积网络组成，具体为：
3.根据权利要求2所述的方法构建阶段，其特征在于，所述并行网络包括：特征提取CNN分支和融合高斯滤波器CNN分支，具体为：
4.根据权利要求3所述的并行网络，其特征在于，所述融合高斯滤波器CNN分支，具体为：不同概率分布的噪声信号在整体上趋于高斯分布，一维离散高斯函数为
5.根据权利要求2所述的方法构建阶段，其特征在于，所述去噪自动编码包括：去噪自编码器通过对输入数据引入随机扰动、遮挡或添加随机噪声等方式，破坏初始的输入后被映射到隐藏层，在隐藏层中，通过去除噪声而获得输入的潜在特征，这个潜在表示被用于重建输入，使重建的输入尽可能接近未经损坏的原始输入，具体为：
6.根据权利要求2所述的方法构建阶段，其特征在于，所述多感受野卷积网络包括：多感受野卷积网络通过不同的参数K即图卷积的接受域来获取不同
7.根据权利要求2所述的方法构建阶段，其特征在于，所述多感受野卷积网络包括：使用邻接矩阵和图节点特征作为图卷积神经网络的输入，具体为：
8.根据权利要求1所述的基于图卷积网络的直升机故障诊断系统，其特征在于，所述模型训练阶段包括：使用训练集训练权利要求2所述构建的网络。
9.根据权利要求1所述的基于图卷积网络的直升机故障诊断系统，其特征在于，所述模型测试阶段包括：使用测试集测试权利要求8所述训练完成的网络，获得直升机旋翼故障诊断网络；所述直升机故障诊断网络为准确率大于预设阈值的训练好的诊断网络。
10.基于图卷积网络的直升机故障诊断设备，其特征在于，具体包括：
...【技术特征摘要】
1.基于图卷积网络的直升机故障诊断系统，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的故障诊断方法，其特征在于，具体包括：由融合高斯滤波器的卷积网络及普通网络组成的并行网络、去噪自动编码和多感受野图卷积网络组成，具体为：
3.根据权利要求2所述的方法构建阶段，其特征在于，所述并行网络包括：特征提取cnn分支和融合高斯滤波器cnn分支，具体为：
4.根据权利要求3所述的并行网络，其特征在于，所述融合高斯滤波器cnn分支，具体为：不同概率分布的噪声信号在整体上趋于高斯分布，一维离散高斯函数为
5.根据权利要求2所述的方法构建阶段，其特征在于，所述去噪自动编码包括：去噪自编码器通过对输入数据引入随机扰动、遮挡或添加随机噪声等方式，破坏初始的输入后被映射到隐藏层，在隐藏层中，通过去除噪声而获得输入的潜在特征，这个潜在表示被用于重建输入，使重建的输入尽可能接近未经损坏的原始输入，具体为：
<...【专利技术属性】
技术研发人员：李学艺，吴旭东，郁天宇，李岱优，解志杰，
申请(专利权)人：东北林业大学，
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。