[發明專利]一種基于多感受野圖卷積的齒輪傳動系統故障識別方法

有效

• 申請號: 202110589776.1
• 申請日: 2021-05-27
• 公開（公告）號: CN113324754B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 孫闖;李天福;趙志斌;王詩彬;田紹華;嚴如強;陳雪峰
• 申請（專利權）人: 西安交通大學
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/028;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 覃婧嬋

本公開揭示了一種基于多感受野圖卷積的齒輪傳動系統故障識別方法，包括：將所采集的已知故障的齒輪傳動系統的振動信號進行樣本劃分獲得訓練樣本集，將訓練樣本集構造為第一關聯圖數據；將所采集的未知故障的齒輪傳動系統的振動信號進行樣本劃分獲得待測樣本集，將待測樣本集構造為第二關聯圖數據；構建由兩層多感受野圖卷積層和兩層全連接層構成的多感受野圖卷積網絡，通過第一關聯圖數據對多感受野圖卷積網絡進行訓練；將第二關聯圖數據輸入訓練后的多感受野圖卷積網絡，實現對未知故障的齒輪傳動系統的故障識別。

技術領域

本公開屬于機械故障診斷領域，具體涉及一種基于多感受野圖卷積的齒輪傳動系統故障識別方法。

背景技術

近年來，基于深度學習的方法因其強大的特征表示能力而席卷了機械故障診斷領域。但是，許多現有的深度方法無法明確地進行信號之間的關系挖掘。與現有的深度網絡不同，圖卷積網絡使用具有拓撲結構的圖數據作為輸入，能夠有效的建模數據之間的關系，從而學習到更加可靠的特征表示。但是，現有的圖卷積網絡具有感受野固定，無法聚合不同鄰域的節點特征，因此需要一種能夠從不同鄰域聚合信息的圖卷積網絡。

在背景技術部分中公開的上述信息僅僅用于增強對本發明背景的理解，因此可能包含不構成在本國中本領域普通技術人員公知的現有技術的信息。

發明內容

針對現有技術中的不足，本公開的目的在于提供一種基于多感受野圖卷積的齒輪傳動系統故障識別方法，通過構造多感受野圖卷積神經網絡，使得對關聯圖數據進行特征挖掘的過程中將樣本之間的關系也進行了嵌入，從而提高了學習到的特征表示中的信息和模型的性能。

為實現上述目的，本公開提供以下技術方案：

一種基于多感受野圖卷積的齒輪傳動系統故障識別方法，包括如下步驟：

S100：將所采集的已知故障的齒輪傳動系統的振動信號進行樣本劃分獲得訓練樣本集，將訓練樣本集構造為第一關聯圖數據；將所采集的未知故障的齒輪傳動系統的振動信號進行樣本劃分獲得待測樣本集，將待測樣本集構造為第二關聯圖數據；

S200：構建由兩層多感受野圖卷積層和兩層全連接層構成的多感受野圖卷積網絡，通過第一關聯圖數據對多感受野圖卷積網絡進行訓練；

S300：將第二關聯圖數據輸入訓練后的多感受野圖卷積網絡，實現對未知故障的齒輪傳動系統的故障識別。

優選的，步驟S100中，構造第一關聯圖數據包括以下步驟：

S201：將已知故障的齒輪傳動系統的振動信號劃分為多個長度為L的樣本，并給每個樣本分配相應的故障標簽，由分配好故障標簽的樣本構成的訓練樣本集表示為：D＝[(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)]，其中，x_i表示第i個故障已知的樣本，y_i則表示與第i個樣本對應的標簽；

S202：從訓練樣本集D中依次選取q個樣本，將每個樣本視作一個節點并將其樣本本身的數值作為節點特征，將q個節點的特征按行排列則可獲得節點特征矩陣X；

S203：計算節點特征矩陣X中每對節點之間的余弦相似度，將余弦相似度與閾值比對判斷該對節點之間是否存在連接關系，若存在連接關系，則該對節點互為鄰居節點，依次類推，將所有存在連接關系的鄰居節點連接構成鄰接矩陣A，根據所獲得的節點特征矩陣X和鄰居矩陣A，則可在數學上定義一個關聯圖；

S204：重復步驟S202和S203，直到遍歷完訓練樣本集中的所有樣本，則可獲得第一關聯圖數據。

優選的，步驟S203中，所述鄰居節點由下式獲得：