CN112651167A

CN112651167A - 一种基于图神经网络的半监督滚动轴承故障诊断方法

Info

Publication number: CN112651167A
Application number: CN202011392227.7A
Authority: CN
Inventors: 冯静; 熊东尧; 徐晓滨; 马枫; 孙杰; 侯平智
Original assignee: Nanjing Smart Water Transportation Technology Co ltd; Hangzhou Dianzi University
Current assignee: Nanjing Smart Water Transportation Technology Co ltd; Hangzhou Dianzi University
Priority date: 2020-12-02
Filing date: 2020-12-02
Publication date: 2021-04-13

Abstract

本发明涉及一种基于图神经网络的半监督滚动轴承故障诊断方法。本发明在滚动轴承的正常以及不同故障状态下采集驱动端、风扇端和基座端的振动加速度信号，通过采样和拼接技术获得故障样本集；计算各个样本之间的皮尔逊相关性，通过设定阈值，构建样本间的关联关系，并构建与样本为节点，关联关系为边的故障样本图；求取故障样本图的邻接矩阵和节点特征矩阵，并构建图卷积神经网络层，继而构建双层图卷积神经网络分类模型；基于不同比例的训练集、验证集和测试集，对基于图神经网络的分类模型进行训练，采用Adam对模型进行优化，通过参数选取获得最优模型。本发明不依赖于特征提取方法，同时在少量的标记样本的情况下，也能获得较高的准确率。

Description

一种基于图神经网络的半监督滚动轴承故障诊断方法

技术领域

本发明涉及一种基于图神经网络的半监督滚动轴承故障诊断方法，属于旋转机械故障诊断领域。

背景技术

滚动轴承是旋转机械中应用最为广泛的机械零件，在国民经济和国防事业上，先进轨道交通装备、航空发电机以及工业、农业等设备的运转都离不开滚动轴承。然而，滚动轴承也是最容易产生故障的零件。长时间的运转致使滚动轴承产生诸如点蚀、磨损、断裂等故障，继而导致设备功能丧失、停转等异常现象,甚至导致事故的发生，以至于造成重大生命和经济财产损失。因此，针对滚动轴承的故障诊断能够保证旋转机械的健康运转，从而实现提早发现故障，做到防患于未然。

早期，滚动轴承的故障诊断是通过分析和处理传感器采集的振动信号来实现的。该类方法包括冲击脉冲法、共振解调技术以及小波分析技术等。随着故障诊断技术的发展，基于信号分析的故障诊断技术已经不能满足故障诊断的需求。因此，将诸如人工神经网络、随机森林和支持向量机等浅层机器学习模型与滚动轴承的特征参数有机的结合进行综合分析的智能诊断技术得到了快速发展。该类方法通常以人工提取振动信号时域频域等特征为前提，然后将提取的特征输入到模型分类器中进行故障诊断。以往的研究结果表明，一方面，基于浅层机器学习模型的方法的诊断准确率依赖于提取特征的好坏。另一方面，随着数据采集技术的发展，能够获得的故障数据越来越多，甚至能够达到“海量”。因此，近年来兴起的深度学习算法，因其在图像、语音识别等领域取得的成果，在故障诊断领域的研究也呈现上升趋势。相较于传统浅层机器学习方法，基于深度学习的方法能自动提取特征并建立特征与故障类别之间的复杂映射关系。诸如深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)等深度学习框架都已经应用在滚动轴承故障诊断中。

基于深度学习的方法其网络具有多层结构，需要大量的有标签样本对大量的网络参数进行训练，以实现其对海量故障数据挖掘与学习的优点。但是，在故障诊断领域，对样本的标注依赖于有丰富故障诊断经验和领域知识的专家，通常构建大量有标注样本很难实现。在稀少的标注样本下，深度神经网络的训练不能达到很好的收敛状态，从而导致网络模型表达能力不足、泛化性能不好。因此，针对标注样本匮乏情况下的故障诊断研究是一个既充满挑战又有重要应用价值的研究领域。另一方面，现有一些基于深度学习的滚动轴承故障诊断方法，仍然以对采集的传感器振动信号进行特征提取为前提，那么诊断结果必然依赖于提取特征的好坏。

发明内容

本发明针对现有技术的不足，基于图卷积神经网络设计了一种半监督滚动轴承故障诊断方法。半监督学习在处理滚动轴承数据标签少的基础上，配合大量廉价的无标注样本完成模型训练，既避免了无监督学习精度不足的问题，又克服了标记样本匮乏的难题。

本发明首先对采集的滚动轴承传感器振动信号进行预处理并构建样本集。然后，根据各个样本间的相关性，构建故障样本图。其次，针对故障样本图的结构特性构建图卷积神经网络模型。基于不同比例的混合标签数据对该图神经网络模型进行训练，通过改变网络结构的超参数选择网络的最优模型。

本发明包括以下各步骤：

步骤1：构建故障样本集

(1)在滚动轴承正常以及不同故障共k种状态下，分别采集驱动端、风扇端和基座端的振动加速度信号{r₁(t),r₂(t),r₃(t)},其中t为采样时刻；

(2)在k种状态下，在{r₁(t),r₂(t),r₃(t)}上每n个点进行连续采样，采集m个样本。即在每种状态下，采样得到m个n×3的信号片段；

(3)将n×3的采样信号片段进行横向拼接，可得一个长度为1×3n的样本信号。将k种状态下的样本信号进行竖向拼接，得到一个km×3n的信号样本集s。

步骤2：构建故障样本图

(1)采用皮尔逊相关系数度量任意两个信号样本s_i和s_j间的相关性，其表达式如下：

(2)在计算信号样本的皮尔逊相关性的基础上，设定阈值T＝0.1，构建信号样本的连接关系如下：

(3)以每个信号样本s_i为节点V，信号样本的连接关系

为边E，构建故障样本图G(V,E)。

步骤3：基于图卷积神经网络的半监督分类模型构建

(1)分别求取故障样本图G(V,E)对应的邻接矩阵A和节点属性矩阵F，并按照如下公式对邻接矩阵A进行变换：

其中

为添加了自连接的矩阵，

为度矩阵可通过邻接矩阵按照如下公式求取：

(2)构建图卷积层如下：

其中H^(l)和H^(l+1)分别为图卷积层的输入和输出，W^(l)为训练参数，σ为激活函数。

(3)在图卷积网络层的基础上，构建具有双层图卷积层的图神经网络分类模型，如下所示：

其中，邻接矩阵A和节点属性矩阵F作为输入，输出Z为信号样本的分类结果。

步骤4：图卷积神经网络的训练及评估

(1)将故障样本图中的节点按照不同比例分为训练集、验证集和测试集。将训练集输入到步骤3建立的模型中进行模型训练，在通过验证集对模型参数(隐藏节点个数、学习率等)进行选择获取最优模型，然后将测试集输入到训练好的模型中，从而获取测试样本的故障类别标签。

(2)本发明选用Adam算法作为优化算法。Adam是优化算法是随机梯度下降法的扩展式，它能够基于训练数据迭代地更新网络权重。

(3)本发明选用所有有标签节点上的期望交叉熵作为损失函数，其公式如下所示：

其中y_L表示有标签的节点集，C对应节点标签的类别数量。

本发明的有益效果：本发明将在各个故障状态下采集的传感器信号构建成故障样本集；通过度量样本间的皮尔逊相关系数构建故障样本图；通过构建和训练图卷积神经网络模型，实现对故障状态的诊断与识别。一方面，本发明提出的方法直接对信号进行学习，不依赖于提取的特征。另一方面，本发明提出的方法能够进行半监督学习，在少量标签样本的情况下，仍然能够获得精确的诊断结果。

附图说明

图1.本发明的流程图；

图2.故障样本集构建；

图3.故障样本图构建；

图4.图卷积神经网络结构。

具体实施方式

下面结合附图对本发明进行进一步的说明。

根据图1所示的算法流程图，并结合实际数据处理与模型构建，详细的介绍该方法的每一个步骤。

步骤1：构建故障样本集

(1)本发明采用6205-2RS JEM SKF型深沟球轴承进行实验验证。在本实验中，分别对该轴承驱动端和风扇端的轴承外圈布置3点钟(直接位于受载区)、6点钟(正交于受载区)、12点钟方向的故障，加上内圈故障与滚动体故障，共有5种故障类型：内圈故障(F1)、滚动体故障(F2)、外圈故障3点钟方向(F3)、外圈故障6点钟方向(F4)、外圈故障12点钟方向(F5)。针对每一个故障状态分别采集驱动端、风扇端和基座端的振动加速度信号{r₁(t),r₂(t),r₃(t)}，其中t为采样时刻。

(2)在12KHz的采样频率下传感器每秒采集12000个振动加速度信号，故轴承每转一圈采集约400个点，因此将每个样本的长度设置为400个连续采样点，则对应一个样本{r₁(t),r₂(t),r₃(t)}为3×400的采样片段。在每个故障状态下，分别采集100个采样片段。

(3)如图2所示，将对应3×400的采样片段进行横向拼接，可得一个长度为1×1200的样本信号，将5种故障状态下的500个1×1200的样本信号进行竖向拼接，得到一个500×1200的故障组样本集s。

步骤2：构建故障样本图

(1)针对故障样本集s中的任意两个信号s_i和s_j，i,j＝1,2,…500，根据如下公式度量其皮尔逊相关性。其中，r的值越大，则两个信号越相似。

(2)设定阈值T，按照如下公式构建信号样本的连接关系。

(3)如图3所示，以每个信号样本s_i为节点V，信号样本连接关系

为边E，构建故障样本图G(V,E)。

步骤3：基于图卷积神经网络的半监督分类模型构建

(1)在故障样本图G(V,E)的基础上，求取节点属性矩阵F：

F＝s

求取邻接矩阵A：

并按照如下公式对邻接矩阵A进行变换：

其中

为添加了自连接的矩阵，

为度矩阵可通过邻接矩阵按照如下公式求取：

(2)构建图卷积层如下：

(3)在图卷积网络层的基础上，如图4所示，构建具有双层图卷积层的图神经网络分类模型：

其中，邻接矩阵A和节点属性矩阵s作为输入，输出Z为信号样本的分类结果。

步骤4：图卷积神经网络的训练及评估

(1)基于步骤1和步骤2获取故障样本图，按照下表给出的比例划分训练集、验证集和测试集。将训练集输入到步骤3建立的图神经模型分类中进行模型训练，进行选择获取最优模型，其中隐藏节点个数设为50、学习率0.001，迭代次数500。最后将测试集输入到训练好的模型中，从而获取测试样本的故障类别标签。

(2)本发明选用Adam算法作为优化算法，对网络模型进行优化。

(3)优化的损失函数选用所有标签节点上的期望交叉熵作为损失函数：

其中y_L表示有标签的节点集，C对应节点标签的类别数量。

调整样本中训练集、验证集和测试集的占比，得出由损失函数计算的损失值以及和根据如下公式计算的故障诊断的准确率:

其中n_correct为所有分类正确的标签个数，n_total为总的标签个数。

表1滚动轴承故障诊断在不同比例标签下的准确率

训练集数据占比	验证集数据占比	测试集数据占比	损失值	准确率
					0.8	0.1	0.1	0.427	0.884
0.7	0.1	0.2	0.426	0.882
					0.6	0.1	0.3	0.430	0.882
0.5	0.1	0.4	0.436	0.879
					0.4	0.1	0.5	0.439	0.881
0.3	0.1	0.6	0.445	0.877
					0.2	0.1	0.7	0.445	0.871
0.1	0.1	0.8	0.476	0.858

Claims

1.一种基于图神经网络的半监督滚动轴承故障诊断方法，其特征在于包括：

步骤1：构建故障样本集；

步骤2：构建故障样本图；

步骤3：基于图卷积神经网络的半监督分类模型构建；

步骤4：基于图卷积神经网络的半监督分类模型的训练及评估；

其中步骤2具体包括：

采用皮尔逊相关系数度量任意两个信号样本和间的相关性；

基于信号样本的皮尔逊相关性设定阈值，构建信号样本的连接关系；

以及以每个信号样本为节点，信号样本的连接关系为边，构建故障样本图；

步骤3具体包括：

分别求取故障样本图对应的邻接矩阵和节点属性矩阵，并对邻接矩阵进行拉普拉斯变换；

基于邻接矩阵的拉普拉斯变换构建图卷积层；

在图卷积网络层的基础上，构建具有双层图卷积层的图神经网络分类模型。

2.根据权利要求1所述的一种基于图神经网络的半监督滚动轴承故障诊断方法，其特征在于，所述步骤1具体包括：

1-1、分别采集滚动轴承在正常以及不同故障状态下驱动端、风扇端和基座端的振动加速度信号；

1-2、在每种状态下，以驱动端、风扇端和基座端的振动加速度信号作为一组数据进行连续采样，获得设定数量的信号片段；

1-3、将信号片段中的驱动端、风扇端和基座端的振动加速度信号进行横向拼接，构建一个样本信号；将正常以及不同故障态下的样本信号进行竖向拼接，构建信号样本集。

3.根据权利要求1所述的一种基于图神经网络的半监督滚动轴承故障诊断方法，其特征在于，所述图神经网络分类模型第一层的激活函数为Relu，第二层的激活函数为Softmax。

4.根据权利要求1所述的一种基于图神经网络的半监督滚动轴承故障诊断方法，其特征在于，所述步骤4具体包括：

4-1、将故障样本图中的节点按照不同比例分为训练集、验证集和测试集；设定模型参数进行选择获取最优模型，然后将测试集输入到训练好的模型中，从而获取测试样本的故障类别标签；

4-2、对模型优化过程中选用Adam算法作为优化算法；

4-3、对模型的评估选用所有有标签节点上的期望交叉熵作为损失函数。