1.本发明属于机械设备故障诊断技术，具体涉及一种基于加权水平可见图的旋转机械故障诊断方法。
背景技术：2.随着工业4.0的到来，传统工业正向自动化、数字化、智能化转型，科学高效的机械设备健康管理需求日益迫切。以卷积神经网络、自动编码器、生成对抗网络等为代表的深度学习模型在故障诊断领域得到了广泛应用，解决了传统机器学习模型如多层感知器、支持向量机等方法需要手工提取特征的问题，但是输入特征仍主要集中在时域、频域或时频域，侧重于数据数值本身，缺乏对数据中隐藏关系和结构的挖掘与探索。
3.近年来，常用的将时间序列转换为图的方法有递归网络、转移网络和水平可见图，基于图的时间序列分析在气象、经济、生物医学等领域都取得相关应用。同时，图神经网络作为新兴的人工智能技术，可以处理非欧式空间的图数据，实现数据结构关系的学习与推理，是学习图数据的强有力的工具。
4.因此，针对传感器采集的机械设备运行状态的时序信号，构建从原始时域到图结构数据的映射模型，利用图神经网络在学习与推理图数据上的优势，挖掘机械故障信号的潜在结构上的关系，提取更多有益于识别诊断的特征，将图神经网络理论应用于机械故障诊断领域，可以为机械系统的故障诊断提供新的方法和手段。
技术实现要素：5.为解决上述问题，本发明公开了一种基于加权水平可见图的旋转机械故障诊断方法，能够挖掘更多有助于故障诊断的特征，有效提高故障诊断精度。
6.为达到上述目的，本发明的技术方案如下：
7.一种基于加权水平可见图的旋转机械故障诊断方法，包括以下步骤：
8.(1)根据传感信号建立相应的加权水平可见图，
9.(2)构建图神经网络模型并对其进行训练，
10.(3)将待诊断传感信号输入模型进行分类识别。
11.其中，步骤(1)所述的根据传感信号建立相应的加权水平可见图包括：
12.步骤a1，将采集的传感信号划分为长度为n的样本序列，即每个样本中包含n个采样点，构成数据集x＝{x1,x2,
…
,x
[m/n]
}，其中m为信号总长度，[
·
]为取整运算；
[0013]
步骤a2，将等比例的健康与不同类型故障的数据随机划分为训练集，验证集和测试集以供模型的训练与测试；
[0014]
步骤a3，使用z
‑
score标准化方法对原始传感信号样本x＝{x1,x2,
…
,x
n
}进行预处理得到标准化样本x
znor
，
[0015]
[0016]
其中mean(
·
)和std(
·
)分别为求均值操作符和求标准差操作符；
[0017]
步骤a4，使用加权水平可见图算法将预处理后的传感信号转换为有权图g，节点为采样点，节点初始特征为标准化的采样值；
[0018]
步骤(2)和步骤(3)所述的构建图神经网络模型及其训练，识别待诊断样本包括：
[0019]
步骤b1，构建图神经网络模型整体框架，包括聚合层，激活函数，归一化层，全局池化层，全连接分类模块；
[0020]
步骤b2，设置图神经网络参数，包括批处理大小，初始学习率，学习率衰减速率与倍数，优化器，聚合层层数k，隐层特征维数，早停耐心轮次p；
[0021]
步骤b3，将训练集图数据输入模型，进行训练与优化；
[0022]
步骤b4，以验证集识别精度为指标监督模型训练状态，若连续p个训练轮次都不再提升，则提前停止模型训练，以验证集识别精度最高时的模型为最优图神经网络模型；
[0023]
步骤b5，将测试集图数据输入步骤b4所述最优图神经网络模型进行测试。
[0024]
优选的，所述步骤a4中，使用加权水平可见图算法将标准化后的样本转换为有权图g的具体步骤顺序如下：
[0025]
步骤a4
‑
1，若其中1≤i<n<j≤n，即和间的存在未被的打断的水平连接线，则两采样点间存在边；
[0026]
步骤a4
‑
2，计算和间连接边的权重w
ij
，若连接边存在，则：
[0027][0028]
其中i，j为采样点所对应采样序号；否则w
ij
＝0；
[0029]
步骤a4
‑
3，若已完成所有采样点遍历，跳转至步骤a4
‑
4；否则，继续遍历采样点，跳转至步骤a4
‑
1；
[0030]
步骤a4
‑
4，完成时序信号至所述有权图g的转换，所得图为加权水平可见图。
[0031]
优选的，所述步骤b1中，所述图神经网络模型的第k层聚合层为：
[0032][0033]
其中为节点v的第k层的隐层特征，节点u属于节点v的邻接节点集合n(v)，和为两个不同的线性变换函数，w
vu
是节点v与节点u边e
vu
的权重。
[0034]
优选的，所述步骤b1中，所述图神经网络的聚合层的非线性激活函数采用线性整流函数(rectified linear unit，relu)，归一化层采用批量归一化(batchnormalization，bn)。
[0035]
优选的，所述步骤b1中，所述全局池化层为求和池化，即图整体特征为图中所有节点隐层特征之和：
[0036][0037]
优选的，所述图神经网络损失函数采用负对数似然函数(negative log
‑
likelihood loss function)：
[0038]
l(y
g
)＝
‑
log(y
g
)(5)
[0039]
其中y
g
为诊断故障类型的标签。
[0040]
本发明的有益效果为：
[0041]
本发明提出一种新型加权水平可见图，使用采样序号间隔的倒数作为相连边的权重，削弱了在采样时序上过远的连接节点的干扰，同时，在节点聚合时，使用不同线性变换函数对中心节点和邻接节点加权聚合，提高模型表达能力；加权水平可见图与图神经网络相结合可以有效挖掘故障信号的潜在结构关系，为图分类提供更多有用特征，实现高精度的机械设备故障诊断。
附图说明
[0042]
图1为本发明的方法流程示意图；
[0043]
图2为示例采样序列；
[0044]
图3为示例采样序列的加权水平可见图；
[0045]
图4为凯斯西储大学轴承故障数据集试验平台；
[0046]
图5为凯斯西储大学轴承故障数据集样本的标准化结果；
[0047]
图6为凯斯西储大学轴承故障数据集样本的加权水平可见图；
[0048]
图7为本方法与其他方法在凯斯西储大学轴承故障数据集上的诊断效果对比。
具体实施方式
[0049]
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
[0050]
图1是本发明所述的一种基于加权水平可见图的旋转机械故障诊断方法的流程图，首先根据传感信号建立相对应的图信号，再构建图神经网络模型并对其进行训练，最后将待诊断传感信号输入模型进行分类识别。
[0051]
图2为一自定义时间序列x＝{x1,x2,
…
,x6}，对于未标准化时间序列，构建其加权水平可见图时，首先判断任意俩节点间是否存在连接：若x
i
,x
j
>x
n
，其中1≤i<n<j≤6，即x
i
和x
j
间的存在未被的打断的水平连接线，则两采样点间存在边；计算x
i
和x
j
间连接边的权重w
ij
，若连接边存在，则：
[0052][0053]
其中i，j为采样点所对应采样序号；否则w
ij
＝0。图2采样序列对应的加权水平可见图如图3所示。
[0054]
对于实际机械设备传感信号，本实施例使用凯斯西储大学轴承故障数据集作为实验数据集(数据集网站链接：https://csegroups.case.edu/bearingdatacenter/home)，图4为其试验平台，包括一个2马力的电动机，一个扭矩传感器和一个功率测试计，使用安装在驱动端的振动传感器的信号进行识别，采样率为12khz，电机转速为1750rpm。用电火花分别在内圈，外圈，滚动体三个部位加工单点损伤，各有三种直径：0.1778mm(0.007英寸)、0.3556mm(0.014英寸)、0.5334mm(0.021英寸)，与正常工况一起，共有10类数据，每类100个样本，每个样本包含1024个采样点。建立振动传感信号相对应的图信号的步骤包括：
[0055]
步骤a1，将采集的传感信号划分为长度为1024的样本序列，即每个样本中包含1024个采样点，构成数据集x＝{x1,x2,
…
,x
[m/n]
}，其中m为信号总长度，[
·
]为取整运算；
[0056]
步骤a2，将等比例的健康与不同类型故障的数据随机划分为训练集，验证集和测试集以供模型的训练与测试，训练集，验证集，测试集的比例为8:1:1；
[0057]
步骤a3，使用z
‑
score标准化方法对原始传感信号样本x＝{x1,x2,
…
,x
1024
}进行预处理得到标准化样本x
znor
，
[0058][0059]
其中mean(
·
)和std(
·
)分别为求均值操作符和求标准差操作符，某样本预处理后的时序图如图5所示；
[0060]
步骤a4，使用加权水平可见图算法将预处理后的传感信号转换为有权图g，节点为采样点，节点初始特征为标准化的采样值，图g结构如图6所示；
[0061]
其中，使用加权水平可见图算法将标准化后的样本转换为有权图g的具体步骤顺序如下：
[0062]
步骤a4
‑
1，若其中1≤i<n<j≤1024，即和间的存在未被的打断的水平连接线，则两采样点间存在边；
[0063]
步骤a4
‑
2，计算和间连接边的权重w
ij
，若连接边存在，则：
[0064][0065]
其中i，j为采样点所对应采样序号；否则w
ij
＝0；
[0066]
步骤a4
‑
3，若已完成所有采样点遍历，跳转至步骤a4
‑
4；否则，继续遍历采样点，跳转至步骤a4
‑
1；
[0067]
步骤a4
‑
4，完成时序信号至所述有权图g的转换，所得图为加权水平可见图；
[0068]
在时序数据集转为图结构数据后，构建图神经网络模型，并对其进行训练以识别待诊断样本，具体步骤包括：
[0069]
步骤b1，构建图神经网络模型整体框架，包括4层聚合层，relu激活函数，批归一化层(batch normalization)，全局池化层(global sum pooling)，全连接分类模块中激活函数选择softmax函数；
[0070]
其中，图神经网络模型的第k层聚合层表达式为：
[0071][0072]
其中为节点v的第k层的隐层特征，节点u属于节点v的邻接节点集合n(v)，和为两个不同的线性变换函数，w
vu
是节点v与节点u边e
vu
的权重；
[0073]
全局求和池化层为所有节点隐层特征之和，即图整体特征为：
[0074][0075]
损失函数采用负对数似然函数(negative log
‑
likelihood loss function)：
[0076]
l(y
g
)＝
‑
log(y
g
)
[0077]
其中y
g
为诊断故障类型的标签。
[0078]
步骤b2，设置图神经网络参数，包括批处理大小为16，初始学习率0.01，每训练5份轮次学习率衰减1倍，优化器为adam，聚合层层数k为4，隐层特征维数32，早停耐心轮次p为10；
[0079]
步骤b3，将训练集图数据输入模型，进行训练与优化；
[0080]
步骤b4，以验证集识别精度为指标监督模型训练状态，若连续10个训练轮次都不再提升，则提前停止模型训练，以验证集识别精度最高时的模型为最优图神经网络模型；
[0081]
步骤b5，将测试集图数据输入步骤b4所述最优图神经网络模型进行测试。
[0082]
图7对比了本方法与其他方法在凯斯西储大学轴承故障数据集上的诊断效果，取10次数据随机划分的平均精度，和标准差作为对比标准，节点嵌入维度、不同图神经网络聚合层数保持一致。相比其他方法，本方法取得最优诊断效果。
[0083]
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。
技术特征：1.一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：包括以下步骤：(1)根据传感信号建立相应的加权水平可见图；(2)构建图神经网络模型并对其进行训练；(3)将待诊断传感信号输入模型进行分类识别；其中，步骤(1)所述的根据传感信号建立相应的加权水平可见图包括：步骤a1，将采集的传感信号划分为长度为n的样本序列，即每个样本中包含n个采样点，构成数据集x＝{x1,x2,
…
,x
[m/n]
}，其中m为信号总长度，[
·
]为取整运算；步骤a2，将等比例的健康与不同类型故障的数据随机划分为训练集，验证集和测试集以供模型的训练与测试；步骤a3，使用z
‑
score标准化方法对原始传感信号样本x＝{x1,x2,
…
,x
n
}进行预处理得到标准化样本x
znor
，其中mean(
·
)和std(
·
)分别为求均值操作符和求标准差操作符；步骤a4，使用加权水平可见图算法将预处理后的传感信号转换为有权图g，节点为采样点，节点初始特征为标准化的采样值；步骤(2)和步骤(3)所述的构建图神经网络模型及其训练，识别待诊断样本包括：步骤b1，构建图神经网络模型整体框架，包括聚合层，激活函数，归一化层，全局池化层，全连接分类模块；步骤b2，设置图神经网络参数，包括批处理大小，初始学习率，学习率衰减速率与倍数，优化器，聚合层层数k，隐层特征维数，早停耐心轮次p；步骤b3，将训练集图数据输入模型，进行训练与优化；步骤b4，以验证集识别精度为指标监督模型训练状态，若连续p个训练轮次都不再提升，则提前停止模型训练，以验证集识别精度最高时的模型为最优图神经网络模型；步骤b5，将测试集图数据输入步骤b4所述最优图神经网络模型进行测试。2.根据权利要求1所述的一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：所述步骤a4中，使用加权水平可见图算法将标准化后的样本转换为有权图g的具体步骤顺序如下：步骤a4
‑
1，若其中1≤i<n<j≤n，即和间的存在未被的打断的水平连接线，则两采样点间存在边；步骤a4
‑
2，计算和间连接边的权重w
ij
，若连接边存在，则：其中i，j为采样点所对应采样序号；否则w
ij
＝0；步骤a4
‑
3，若已完成所有采样点遍历，跳转至步骤a4
‑
4；否则，继续遍历采样点，跳转至步骤a4
‑
1；步骤a4
‑
4，完成时序信号至所述有权图g的转换，所得图为加权水平可见图。
3.根据权利要求1所述的一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：所述步骤b1中，所述图神经网络模型的第k层聚合层为：其中为节点v的第k层的隐层特征，节点u属于节点v的邻接节点集合n(v)，和为两个不同的线性变换函数，w
vu
是节点v与节点u边e
vu
的权重。4.根据权利要求1所述的一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：所述步骤b1中，所述图神经网络的聚合层的非线性激活函数采用线性整流函数，归一化层采用批量归一化。5.根据权利要求1所述的一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：所述步骤b1中，所述全局池化层为求和池化，即图整体特征为图中所有节点隐层特征之和：6.根据权利要求1所述的一种基于加权水平可见图的旋转机械故障诊断方法，其特征在于：所述图神经网络损失函数采用负对数似然函数：l(y
g
)＝
‑
log(y
g
)
ꢀꢀꢀꢀꢀꢀꢀ
(5)其中y
g
为诊断故障类型的标签。
技术总结本发明公开了一种基于加权水平可见图的旋转机械故障诊断方法，本方法将传感器时序信号转换为水平可见图，可以在保持时间序列非线性动态特性的同时，引入图的拓扑结构特性，并利用采样序号的差值对边进行加权，以减弱时序上相距过远但仍有连接的影响。进一步地，使用图神经网络对转换得到的加权水平可见图进行学习，所使用的图神经网络聚合层使用不同线性变换函数对中心节点和邻接节点加权聚合，有效提高模型表达能力。本发明将传感器时序信号转换为加权水平可见图，结合图神经网络，可以挖掘更多有助于故障诊断的特征，有效提高故障诊断精度。断精度。断精度。
技术研发人员：莫凌飞 李晨阳 严如强
受保护的技术使用者：东南大学
技术研发日：2021.03.31
技术公布日：2021/7/8
