[发明专利]基于多输入并行图卷积神经网络的滚动轴承故障诊断方法

说明书

本发明公开了一种基于多输入的并行图卷积神经网络半监督滚动轴承故障诊断方法。本发明基于滚动轴承正常和不同故障状态下各传感器的振动加速度信号，采用限定半径最近邻法，以故障样本作为节点，故障样本间的相似性为边，构建各传感器下的故障样本图。然后，以各传感器下的故障样本图作为输入，构建具有多输入的并行图卷积神经网络半监督故障诊断模型，并通过训练和调参以获得最优模型。本发明提出的故障诊断方法具有较高的精度，同时能够实现在少量有标记样本的情况下，也能获得较高的故障诊断精度。

技术领域

本发明涉及一种基于多输入的并行图卷积神经网络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中，诸如先进轨道交通装备、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。但是，设备长时间运转，再加上外界的高温、潮湿甚至腐蚀等不良环境，滚动轴承极易发生磨损和表面损伤等故障。因此，针对滚动轴承进行故障诊断研究是十分有必要的。它能够保证机械设备的健康运转，实现故障提早发现，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。随着数据采集技术的发展，能够获得的故障数据越来越多，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。

近年来，随着故障数据规模向海量规模发展，诸如卷积神经网络和递归神经网络等深度学习框架被应用在滚动轴承故障诊断中。相较于机器学习方法，该类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。但是该类方法具有多层网络结构，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。然而，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，该类方法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。

发明内容

针对现有技术的不足，本发明提出了一种基于多输入并行图卷积神经网络的滚动轴承故障诊断方法，其利用基于滚动轴承不同位置传感器返回的振动加速度信号，构建故障诊断模型。

本发明包括以下步骤：

S1：在滚动轴承正常及各故障状态运行下，采集不同位置传感器返回的振动加速度信号，通过采样和拼接的方法，构建各传感器下的故障样本集；

S2：根据S1中构建的各传感器下的故障样本集，以各故障样本为节点，故障样本的连接关系为边，采用限定半径最近邻法构建各传感器下的故障样本图；

S3：以S2构建的各传感器下的故障样本图作为输入，基于图卷积神经网络层，结合全连接层、非线性激活层等，构建基于多输入的并行图卷积神经网络半监督故障诊断模型；

S4：基于S2构建的各传感器下的故障样本图，对S3构建的基于多输入的并行图卷积神经网络半监督故障诊断模型进行训练、调参以及评估。

S5：在S4构建的多输入的并行图卷积神经网络半监督故障诊断模型的输入端加入高斯白噪声以达到模拟实际滚动轴承工作环境，并根据前向传递计算得到振动加速度信号的频域特征进行故障诊断。

进一步地，所述步骤S1构建各传感器下的故障样本集，具体如下：

(1)在滚动轴承正常以及不同故障共k种状态下，分别采集不同位置传感器返回的振动加速度信号；

(2)对各传感器在k种状态下返回的每个振动加速度信号进行连续采样，每n个时刻采一次，共采集m个样本，即每个样本为包含n个采样点的信号片段；