一种融合多传感器网络的深度图卷积神经网络的诊断方法

摘要

本发明公开一种融合多传感器网络的深度图卷积神经网络的诊断方法，包括以下步骤：1)在旋转机械上布置多传感器网络，并利用多传感器网络监测旋转机械原始振动数据；2)对旋转机械原始振动数据进行小波包分解和重构，得到小波系数序列；3)以小波系数作为节点，以传感器之间的信号关系作为节点的边，构建由小波包系数矩阵定义的带权图；3)构建GCN模型；4)将带权图输入到GCN模型中，完成旋转机械故障诊断。本发明利用多传感器监测振动信号，全面对旋转机械系统健康状态监测，提高设备故障诊断准确度，减少模型诊断时间，保障设备运行安全。

说明书

技术领域

本发明涉及故障诊断领域，具体是一种融合多传感器网络的深度图卷积神经网络的诊断方法。

背景技术

旋转机械在极端复杂的工况条件下，发生故障的可能性很大。为了避免生产过程中的重大经济损失，旋转机械的健康状态监测与评价在现代工业中得到了广泛的发展。现有技术中已有不少基于深度学习的方法被广泛应用于故障诊断任务，深度学习方可以利用多个非线性层自动提取抽象特征，但复杂的特征处理往往限制了其广泛应用。在处理小数据集时诊断表现良好，在处理大数据时表现不佳。

发明内容

本发明的目的是提供一种融合多传感器网络的深度图卷积神经网络的诊断方法，包括以下步骤：

1)在旋转机械上布置多传感器网络，并利用多传感器网络监测旋转机械原始振动数据；所述传感器为振动传感器。

2)对旋转机械原始振动数据进行小波包分解和重构，得到小波系数序列；

3)以小波系数作为节点，以传感器之间的信号关系作为节点的边，构建由小波包系数矩阵定义的带权图；

3)构建GCN模型；

4)将带权图输入到GCN模型中，完成旋转机械故障诊断。

进一步，对旋转机械原始振动数据进行小波包分解的公式如下：

式中，

进一步，小波系数序列如下所示：

式中，W

进一步，所述由小波包系数矩阵定义的带权图记为G＝{V,A,E,F}，V＝{V

进一步，所述GCN模型包括输入层、卷积层、池化层、全连接层、输出层、softmax层；

所述卷积层用于生成旋转机械振动数据特征图；

所述池化层用于简化旋转机械振动数据特征图；

所述全连接层用于连接前一层的输出特征；

所述输出层用于提取和压缩带权图节点和边缘的特征；

所述softmax层用于输出旋转机械故障诊断结果。所述旋转机械故障诊断结果包括故障和正常。

进一步，所述输入层的输入记为H∈R

进一步，所述卷积层的输出X′如下所示：

X′＝Cheb(X,W)＝YW (3)

式中，X∈R

其中，切比雪夫图卷积的输出Y如下所示：

式中，U∈R

进一步，所述GCN模型通过旋转机械历史振动数据训练得到。

本发明的技术效果是毋庸置疑的，本发明利用多传感器监测振动信号，全面对旋转机械系统健康状态监测，提高设备故障诊断准确度，减少模型诊断时间，保障设备运行安全。

本专利在分析振动监测数据上，基于多传感器网络分析各个振动信号之间的相互关系，并小波分解各信号，以分解后信号的小波节点作为节点特征，传感器实际之间的信号关系作为图的边，之后深度图卷积模型完成故障特征提取以及分类任务，最终实现旋转机械故障诊断。不仅提高了机械设备故障诊断的准确度，而且极大提高监测设备振动的工作效率，推广价值及应用价值高。

附图说明

图1为基于多传感器网络的深度图卷积网络实现故障诊断总体技术流程；

图2为基于多传感器网络的深度图卷积神经网络诊断模型。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1至图2，一种融合多传感器网络的深度图卷积神经网络的诊断方法，包括以下步骤：

1)在旋转机械上布置多传感器网络，并利用多传感器网络监测旋转机械原始振动数据；所述传感器为振动传感器。

2)对旋转机械原始振动数据进行小波包分解和重构，得到小波系数序列；

3)以小波系数作为节点，以传感器之间的信号关系作为节点的边，构建由小波包系数矩阵定义的带权图；

3)构建GCN模型；

4)将带权图输入到GCN模型中，完成旋转机械故障诊断。

对旋转机械原始振动数据进行小波包分解的公式如下：

式中，

小波系数序列如下所示：

式中，W

所述由小波包系数矩阵定义的带权图记为G＝{V,A,E,F}，V＝{V

所述GCN模型包括输入层、卷积层、池化层、全连接层、输出层、softmax层；

所述卷积层用于生成旋转机械振动数据特征图；

所述池化层用于简化旋转机械振动数据特征图；

所述全连接层用于连接前一层的输出特征；

所述输出层用于提取和压缩带权图节点和边缘的特征；

所述softmax层用于输出旋转机械故障诊断结果。所述旋转机械故障诊断结果包括故障和正常。

所述输入层的输入记为H∈R

所述卷积层的输出X′如下所示：

X′＝Cheb(X,W)＝YW (3)

式中，X∈R

其中，切比雪夫图卷积的输出Y如下所示：

式中，U∈R

所述GCN模型通过旋转机械历史振动数据训练得到。

实施例2：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，包括以下步骤：

1、多传感器信号采集及数据处理。2、构建小波包系数矩阵定义的带权图。3、GCN模型构建，完成图像特征提取，完成不同故障的分类。

1)卷积运算实质上可以用一组高通滤波器和低通滤波器实现小波分解：

其中

对于离散形式的小波分解，根据下式逐层迭代得到不同频带上的小波系数序列和分解层数:

其中W

2)对每个传感器的信号数据进行小波分解，并对分解后的指定层的结果进行重构，得到结果的小波系数，将每个小波系数作为节点特征，根据传感器之间的信号关系作为两节点之间的边，找到所有节点间的关系，重复连边操作，生成对于小波系数矩阵的带权图。

3)多传感器网络的深度图卷积网络。

将上述小波分解出的小波系数矩阵转换成的图作为GCN模型输入层，输出层提取和压缩节点和边缘的特征，softmax层输出最后的故障分类结果。

采用基于多传感器网络的深度图卷积网络的框架构建旋转机械故障诊断模型，如图2：

输入层：经过小波分解后经重构得到的小波节点和多传感器间的信号关系生成的带权图，将带权图数据集转换成输入层的特征向量，表示为H∈R

卷积层：对于图，其数学表示为G＝{V,A,E,F}，V＝{V

给定一个对称归一化的拉普拉斯矩阵:

L＝I

L∈R

Y＝Ug

U∈R

θ

采用参数化权值矩阵W∈R

X′＝Cheb(X,W)＝YW

池化层：简化图的结构，对特征图进行压缩，虽然矩阵减小，但仍保留主要特征，保证有效提取图的特征。每一层都嵌入节点信息，通过图卷积层提取原始数据中的故障特征。

全连接层：全连接层中的每一个节点都与上一层的每个节点连接，是把前一层的输出特征都综合起来。

多传感器深度图卷积神经网络模型训练：将采集的数据按比例7:3分为训练集和测试集。在模型训练阶段，将小波分解出各传感器的信号的小波节点作为节点，根据传感器实际之间的信号的关系作为图的边，根据小波节点的数据之间的关联关系构建带权图，模型结构做了不同层级的池化，后拼接用全连接层输出分分类结果，最终得到多传感器深度图卷积神经网络故障诊断模型。并以测试集数据做验证。

实施例3：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，包括以下步骤：

1)在旋转机械上布置多传感器网络，并利用多传感器网络监测旋转机械原始振动数据；

2)对旋转机械原始振动数据进行小波包分解和重构，得到小波系数序列；

3)以小波系数作为节点，构建由小波包系数矩阵定义的带权图；

3)构建GCN模型；

4)将带权图输入到GCN模型中，完成旋转机械故障诊断。

实施例4：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，对旋转机械原始振动数据进行小波包分解的公式如下：

式中，

实施例5：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，小波系数序列如下所示：

式中，W

实施例6：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述由小波包系数矩阵定义的带权图记为G＝{V,A,E,F}，V＝{V

实施例7：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述GCN模型包括输入层、卷积层、池化层、全连接层、输出层、softmax层；

所述卷积层用于生成旋转机械振动数据特征图；

所述池化层用于简化旋转机械振动数据特征图；

所述全连接层用于连接前一层的输出特征；

所述输出层用于提取和压缩带权图节点和边缘的特征；

所述softmax层用于输出旋转机械故障诊断结果；所述旋转机械故障诊断结果包括故障和正常。

实施例8：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述输入层的输入记为H∈R

实施例9：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述卷积层的输出X′如下所示：

X′＝Cheb(X,W)＝YW (3)

式中，X∈R

其中，切比雪夫图卷积的输出Y如下所示：

式中，U∈R

实施例10：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述GCN模型通过旋转机械历史振动数据训练得到。

实施例11：

一种融合多传感器网络的深度图卷积神经网络的诊断方法，主要内容见实施例3，其中，所述传感器包括振动传感器。