基于多尺度图卷积神经网络的轴承故障诊断方法及系统

本发明属于故障诊断，特别涉及基于多尺度图卷积神经网络的轴承故障诊断方法及系统。

背景技术：

1、轴承在机械领域中被广泛使用，但轴承故障却会导致工业设备出现重大事故，产生巨大的维护成本，因此对轴承进行故障诊断已经成为现代工业中最重要的部分之一，故障诊断系统已经成为保障工业过程在全生命周期内可靠性的重要手段。滚动轴承的故障诊断是指利用加速度计提取设备的振动信号，借助信号中的波长等信息预测机器设备运行中的故障状况，对各种故障进行识别分类，来预防重大设备事故的发生。

2、前沿滚动轴承故障诊断的方法多利用深度学习来进行故障识别，主要采用深度神经网络来提取振动信号之间的统计特征，达到分类目的，利用深度神经网络进行故障诊断包括两个关键过程，其一，对振动信号进行提取并构图，获得图模型；其二，更新节点信息，将节点的节点特征与邻接矩阵进行输入，获得故障分类输出。chenyang li等人提出了一种基于加权水平可见性图和图同构网络的滚动轴承故障诊断方法。该方法的优势在于对水平可见性构图方法进行边加权处理，丰富了图的特征，减轻了采样点之间的噪声干扰；并且对图同构网络进行映射函数分离，增强了迭代过程的非线性表示能力，最终提高了在非欧空间内的对故障特征的分类预测结果。

3、但是，该方法存在以下问题：第一，没有考虑不同尺度下特征提取的信息缺失，仅在单一尺度下提取特征容易导致全局故障上下文关联挖掘不足(小尺度样本)、局部故障特征提取不精细(大尺度样本)。因此选择不同的尺度及合适的感受野对数据信号规律的探索起着至关重要的作用。第二，没有考虑多尺度图模型的构建以及潜在信息的挖掘，仅在单一尺度下进行构图忽略了信号特征在多尺度图模型之间的相关性，导致对特征之间潜在关系的挖掘不足，上下文信息缺失。因此进行多尺度交互对数据信号潜在关系的挖掘起着至关重要的作用。第三，没有考虑对获得的信号特征进行处理，使得信号中不同区域的重要程度难以平衡，导致故障分类的精度不足。因此对不同区域中的信号特征进行平衡对故障分类结果精度的提升有着至关重要的作用。

技术实现思路

1、针对现有技术存在的不足，本发明提供基于多尺度图卷积神经网络的轴承故障诊断方法及系统，在多尺度下进行信号特征的提取与构图，并且将不同尺度下提取到的信号特征通过跨尺度方法转化构图，利用图卷积神经网络来获取更加丰富的特征表示，并且使用贝叶斯模型对其进行交叉互融合，提高了故障诊断的精确度。

2、为了解决上述技术问题，本发明采用的技术方案是：

3、基于多尺度图卷积神经网络的轴承故障诊断方法，包括以下步骤：

4、s1、获取轴承的原始震动信号；

5、s2、提取多尺度特征：将原始振动信号进行三次分组以获得不同尺度下的数据；

6、s3、构建单一尺度图及跨尺度图并进行迭代：在三个尺度下分别进行单一尺度构图并进行单一尺度图卷积迭代；同时将分组数据通过一维卷积神经网络进行特征提取，然后将提取到的特征进行跨尺度构图，并进行跨尺度图卷积迭代；

7、s4、将步骤s3得到的三个单一尺度图和跨尺度图的特征进行交叉互融合；

8、s5、输出故障分类结果。

9、优选的，步骤s2中，首先对输入的信号长度为l的轴承的原始振动信号数据序列x进行数据归一化预处理，如公式(1)所示，

10、xnol＝normalize(x),    (1)

11、式子中：xnol是归一化后的时间序列，normalize(x)表示不同的归一化方法；然后对归一化后的数据进行三次分组，分组后每组数据为xk，k∈1,2,3，每次分组作为一个尺度，最后在三个尺度下分别进行特征提取，获得三个尺度下具有相同维度的输出特征fk。

12、优选的，步骤s2中提取具有相同维度的fk的具体步骤如下：

13、设定输入数据的总维度是d'，在信号维度的方向上将数据分为g组，则每个输入向量的维度是d'i＝d'/g，i＝1，2，…，g，各组单独进行一维卷积操作，每组都通过一个尺寸为a的一维卷积，卷积后每个输出向量的维度是di＝d'i-(a-1)，总的卷积维度为d'-g(a-1)；通过调整g与a的关系，即可保证每个尺度的输出维度相同，提取过程如公式(2)所示：

14、

15、式子中：为cnn的参数，xk为不同尺度下的信号数据。

16、优选的，步骤s3中采用水平可见性图方法构建单一尺度图模型，并且计算每两个节点之间的亲和度分数来确定边的信息，具体是：将三组振动信号分别采用水平可见性构图方法进行构图，获得三个单一尺度下的图模型，并将步骤s2三次分组获得的不同尺度下的信号数据xk，k∈1,2,3，分别输入到三个图模型中，获得三组单一尺度下迭代生成的特征gk，

17、其中，构图的过程是先将时间序列的信息转化为有n个节点的图，并附加相应的数据值作为节点特征，只有当两个节点之间没有中间数据高度的情况下，两个节点才存在边；在确定节点的基础上，计算边的特征的成对仿射，并通过下面公式(3)构造关系，

18、

19、如果两个计算节点具有强数据关系，那么就可以获得高亲和度分数；在构造了节点f与边r的单一尺度图模型后，将残差连接应用到原始的gcn中，来传递聚合信息，获得单一尺度迭代特征，公式如下：

20、

21、式子中，为两个节点和之间的亲和度分数，是训练参数，其中和由反向传播获得，p和q为特征的尺度，如果和是同一尺度下的节点，那么p＝q；是gcn的参数，是残差连接的参数，g为三组单一尺度下迭代生成的特征，g＝(g1，g2，g3)。

22、优选的，步骤s3中同样采用水平可见性构图方法构建跨尺度图模型，

23、在确定节点的基础上，计算边的特征的成对仿射，并通过式子(5)构造关系，如果两个计算节点具有强数据关系，那么就可以获得高亲和度分数；在构造了节点f'与边r'的跨尺度图模型后，将三组数据x1、x2和x3进行拼接并输入跨尺度图模型中，来传递聚合信息，获得跨尺度迭代特征g4，

24、

25、式子中，为两个节点和之间的亲和度分数，为训练参数，其中和由反向传播获得，j，l为特征的尺度。

26、优选的，步骤s4中，采用贝叶斯互融合方法来融合g1、g2、g3、g4，建立不同尺度的一致性表示，实现不同尺度下有效信息融合和互补，

27、具体步骤如下：

28、(1)第一步使用g1作为先验，使用g2作为似然，然后基于贝叶斯公式合并两个特征的信息；第二步使二者交换，使用g2作为先验，使用g1作为似然，然后基于贝叶斯公式合并两个特征的信息，表示为g5；

29、(2)于此同理，第一步使用g3作为先验，使用g4作为似然，然后基于贝叶斯公式合并两个特征的信息；第二步使二者交换，使用g4作为先验，使用g3作为似然，然后基于贝叶斯公式合并两个特征的信息，表示为g6；

30、(3)最后，以相同的方法融合步骤(1)和步骤(2)得到的两个信息g5和g6，以获得最终的融合特征g7。

31、优选的，步骤s5中，将融合特征g7输入到全连接层中，获得最终的故障分类，得到预测结果，过程如公式(11)所示。

32、g＝softmax(fc(g7)),    (11)

33、使用nll作为损失函数，其公式如公式(12)所示：

34、l(yg)＝-log(yg),    (12)

35、其中：g为预测结果，fc(g7)代表g7经过全连接层处理，softmax为softmax函数，yg为预测的标签，l(yg)为预测标签的损失函数loss

36、本发明还提供基于多尺度图卷积神经网络的轴承故障诊断系统，用于实现如前所述的基于多尺度图卷积神经网络的轴承故障诊断方法，所述系统包括多尺度特征提取模块、单一尺度图迭代模块、跨尺度图迭代模块、交叉互融合模块和分类模块；

37、所述多尺度特征提取模块用于从输入的轴承震动信号数据中获取分组数据并提取多尺度特征；

38、所述单一尺度图迭代模块用于利用多尺度特征提取模块输出的多尺度特征构建单一尺度图并迭代生成单一尺度迭代特征；

39、所述跨尺度图迭代模块用于利用多尺度特征提取模块输出的多尺度特征构建跨尺度图并迭代生成跨尺度迭代特征；

40、所述交叉互融合模块用于将单一尺度图迭代模块和跨尺度图迭代模块输出的特征进行交叉融合，获得最终的融合特征；

41、所述分类模块用于将交叉互融合模块输出的融合特征输入到全连接层中，获得最终的故障分类。

42、与现有技术相比，本发明优点在于：

43、(1)本发明提出了一种多尺度方法来解决处理振动信号时信号规律探索不全面的问题，更好地挖掘了信号特征的规律性，提升了故障分类的合理性。在感受野范围不同的情况下分别进行四次特征提取，避免了在单一尺度下难以精细提取局部信息或难以充分挖掘全局信息的问题。

44、(2)本发明提出了一种多尺度图卷积神经网络来解决在单一尺度的探索中信号特征的潜在关系挖掘不充分的问题。在多个尺度下分别进行图模型的构建并进行跨尺度交互，避免了信号之间潜在关系挖掘不足的问题，更好地捕捉了信号特征在多个尺度下的隐藏信息。

45、(3)本发明提出了一种基于贝叶斯模型的互融合方法来解决故障分类精度不足的问题，更好地平衡了数据在显著区域与匮乏区域的重要性。强制使用不同的特征进行先验，有效的实现了信息的融合与互补，在获得了丰富全局信息特征的基础上充分保留了完整的局部特征，提升了多尺度下故障分类的精度。