一种基于半监督图神经网络的轴承故障诊断方法与流程

本申请涉及轴承故障诊断领域，涉及一种基于半监督图神经网络的轴承故障诊断，尤其是涉及高质量有标签样本较少，并具有大量无标签样本的情况。

背景技术：

1、轴承是旋转机械的重要部件之一，针对轴承的故障诊断技术对于机械设备整体的平稳运行具有重要作用。振动信号作为最易采集的信号之一，成本较低，广泛应用于轴承故障诊断中来。但是在实际工程中，高质量的有标签信号数量较少，难以满足大模型训练的需求，如何设计网络模型，利用有限的有标签信号和大量的无标签信号进行训练，并进行轴承的故障诊断，对降低成本，提高设备安全性和生产的平稳运行具有重要意义。

2、常见的神经网络，在处理图像、时序数据具有较大优势，但其往往需要大量的数据供给训练。图神经网络是目前发展的一个新领域，主要适用于图结构数据，由于图本身具有节点和边，既有各个节点和边的特征，也包含了结构特征。因此，对于标签较少的问题，应可以充分发挥图的特点，挖掘数据之间的关系，可以实现比常见的神经网络更好的诊断效果。对于大量的无标签数据，可以采用半监督的方法，充分利用这些样本，以提高故障诊断的分类准确率。

3、使用图神经网络进行故障诊断的一个难点是构建合适的图结构数据，为保证图结构易于构建，节点和边的特征充分利用，提升样本较少情况下的故障诊断准确率，可以使用变分模态分解构建图结构的方法，将原始信号分解为多个模态，并将原始信号和各个模态视为图的各个节点，将原始信号节点与各模态节点双向链接，每个节点进行自链接；各模态节点之间没有边链接，减少直接的特征聚合。通过卷积神经网络分别对原始信号节点和各模态节点进行特征表达，并使用图卷积神经网络进行图数据的特征提取和整图分类，使用mean teacher方法进行半监督学习，利用较少的有标签数据和大量的无标签数据进行故障诊断。

技术实现思路

1、为解决上述背景技术中的问题，本文提出的故障诊断方法为基于变分模态分解(variational mode decomposition,vmd)与采样聚合(sample and aggregate,sage)图卷积的半监督故障诊断方法，包括：

2、获取待测轴承的振动数据；

3、将所述振动数据输入到预先训练好的故障诊断模型中，得到诊断结果；

4、其中，所述故障诊断模型是采用多组训练数据集通过mean teacher半监督学习方法进行训练得到的，所述训练数据集包括基于vmd的图数据集，所述图数据集包括有标签数据集和无标签数据集；

5、基于所述诊断结果，得到待测轴承的故障类型。

6、优选的，所述基于vmd的图数据集包括：

7、计算相邻模态皮尔逊系数，确定原始信号分解的模态个数；

8、使用变分模态分解，将原始信号分解成中心频率不同的模态；

9、使用图结构进行双向链接。

10、优选的，所述计算皮尔逊系数，确定原始信号分解的模态个数包括：

11、依次增加分解的模态个数，分别计算相邻模态间的皮尔逊系数；

12、设定皮尔逊相关系数阈值为0.1，若模态数为k时，有相邻模态的皮尔逊相关系数超过此阈值，则产生过分解，则确定的模态个数为k-1。

13、优选的，所述使用图结构进行双向链接包括：

14、将原始信号和分解的不同模态视为节点；

15、将原始信号和各个模态进行双向链接；每个节点进行自链接。

16、优选的，所述故障诊断模型包括：

17、3个卷积神经网络模块；

18、平均池化层；

19、sage图卷积神经网络模块。

20、优选的，所述卷积神经网络模块包括：

21、卷积层；

22、批标准化；

23、dropout层；

24、激活函数relu。

25、为保证卷积层对每个模态信号以及原始信号提取的特征一致，使用相同参数的卷积进行特征提取，获得特征表达。

26、优选的，所述卷积层参数包括：

27、模块一，卷积核个数为32，卷积核大小为64，步长为16；

28、模块二，卷积核个数为16，卷积核大小为8，步长为4；

29、模块三，卷积核个数为16，卷积核大小为4，步长为2。

30、优选的，所述sage图卷积神经网络模块包括：

31、sage卷积一，输出维度为32；

32、激活函数relu；

33、sage卷积二，输出维度为16；

34、平均图读出；

35、全连接层。

36、sage卷积主要使用了聚合方法进行卷积计算，首先聚合邻居节点的特征，并与当前节点的特征进行拼接，然后通过矩阵进行特征融合。

37、优选的，所述图数据集中每一种故障类型设置相同的样本数，设置样本长度为2048，有标签比例分别为0.005，无标签比例为0.895，测试样本比例均为0.1。

38、优选的，所述使用mean teacher半监督学习方法对有标签数据集和无标签数据集进行训练包括：

39、将模型作为教师模型和学生模型；对输入教师模型和学生模型的同一样本分别加入不同噪声；

40、使用梯度下降法和有标签数据训练学生模型；

41、使用学生模型的时间记忆加权平均更新教师模型。

42、优选的，所述梯度下降法的损失函数由以下两部分相加而成：

43、学生模型预测与样本标签之间的交叉熵函数；

44、教师模型与学生模型预测结果的均方根误差。

技术特征：

1.一种基于半监督图神经网络的轴承故障诊断方法，其特征在于，诊断方法的过程包括：

2.根据权利要求1所述的诊断方法，其特征在于，步骤s2中，基于vmd的图数据集的构建过程包括：

3.根据权利要求2所述的诊断方法，其特征在于，步骤s1中，所述计算相邻模态皮尔逊系数，确定原始信号分解的模态个数包括：

4.根据权利要求2所述的诊断方法，其特征在于，步骤s3中，所述使用图结构进行双向链接包括：

5.根据权利要求1所述的诊断方法，其特征在于，步骤s2中，所述故障诊断模型结构包括：

6.根据权利要求1所述的诊断方法，其特征在于，步骤s2中，所述图数据集中每一种故障类型设置相同的样本数，设置样本长度为2048，有标签数据集比例为0.005，无标签数据集比例为0.895，测试样本比例为0.1。

7.根据权利要求1所述的诊断方法，其特征在于，步骤s2中，所述使用mean teacher半监督学习方法对有标签数据集和无标签数据集进行训练包括：

8.根据权利要求7所述的诊断方法，其特征在于，步骤s2中，所述梯度下降法的损失函数由以下两部分相加而成：学生模型预测与样本标签之间的交叉熵函数；教师模型与学生模型预测结果的均方根误差。

技术总结
本发明公开了一种基于半监督图神经网络的轴承故障诊断方法，该方法包括：获取轴承振动数据；使用皮尔逊相关系数确定VMD的模态分解数，构建基于VMD的图数据集，将数据集划分为有标签数据集和无标签数据集，通过卷积神经网络模块，获得原始信号和各个模态的特征表达，使用SAGE图卷积模块，进行图数据的特征提取，通过图读出和全连接层进行分类；通过Mean teacher方法进行对有标签数据集和无标签数据集进行训练，将振动数据输入到训练好的故障诊断模型中，得到诊断结果；基于诊断结果，获得待测轴承故障类型。本申请能够在高质量有标签数量较少的情况下，发掘原始信号与各模态的关系，充分利用大量的无标签数据，提升模型准确率，降低成本，提高设备安全性。

技术研发人员：刘雷,黄博昊,王鹏,温琦,田子建
受保护的技术使用者：陕西彬长小庄矿业有限公司
技术研发日：
技术公布日：2024/3/11