滚动轴承变工况的故障诊断方法、装置、终端和存储介质

本发明属于计算机，具体涉及一种滚动轴承变工况的故障诊断方法、装置、终端和存储介质，尤其涉及一种基于域适应图神经网络的滚动轴承变工况的故障诊断方法、装置、终端和存储介质。

背景技术：

1、现有针对故障诊断的技术主要有信号处理、机器学习和深度学习几种。其中基于信号处理的诊断方法需要大量的先验知识和专家经验，例如需要了解故障机理、故障特征频率等，这在一定程度上会耗费大量的时间和精力，且泛化性和通用性难以保证。同理，基于机器学习的诊断方法也需要人工手动提取故障特征，然后输入分类器训练以识别故障类型，不仅费时费力，且诊断效果很大程度上依赖于所提取的人工特征的质量，并不适用于许多场景下的故障诊断。而基于深度学习的诊断方法充分利用了深度神经网络强大的特征提取能力，通过将数据输入网络自动提取特征以实现端到端的智能故障诊断，在诊断精度和诊断效率上相较于信号处理和机器学习有了大幅度的提升，但是其存在两个缺点：1、输入数据必须为欧式数据；2、没有考虑输入样本之间的联系。

2、此外，以上方法大多解决带有故障标签的机械设备训练数据中学习分类未标记的故障新数据问题，即有监督的故障诊断问题，且训练数据和测试数据之间要相互独立和在相同的概率分布生成，即满足独立同分布的假设，因此难以有效解决训练数据和测试数据分布和特征不同的变工况的故障诊断问题。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的目的在于，提供一种滚动轴承变工况的故障诊断方法、装置、终端和存储介质，以解决是滚动轴承变工况的故障诊断难度大的问题，达到通过构建神经网络模型，能够提高滚动轴承在变工况下的故障诊断准确率的效果。

2、本发明提供一种滚动轴承变工况的故障诊断方法，包括：针对滚动轴承的故障设备，采集故障设备的原始振动数据，划分为源域数据和目标域数据；将划分得到的源域数据和目标域数据构造为图结构数据，得到源域图结构数据集和目标域图结构数据集；将构造得到的源域图结构数据集和目标域图结构数据集，分别按照设定比例划分为源域训练集、源域测试集，以及目标域训练集、目标域测试集；基于源域训练集和目标域训练集，进行训练，得到域适应图神经网络模型；基于源域测试集和目标域测试集，对训练得到的域适应图神经网络模型进行测试，输出预测诊断结果。

3、在一些实施方式中，采集故障设备的原始振动数据，划分为源域数据和目标域数据，包括：采用加速度传感器获取故障设备的原始振动数据；根据故障设备的不同运行工况，将采集得到的原始振动数据划分为源域的振动数据和目标域的振动数据；采用无重叠滑窗采样方式将源域的振动数据和目标域的振动数据划分为设定长度的振动子信号，利用fft算法将所有振动子信号转换到频域中的频谱信息，得到源域数据和目标域数据。

4、在一些实施方式中，将划分得到的源域数据和目标域数据构造为图结构数据，得到源域图结构数据集和目标域图结构数据集，包括：基于划分得到的源域数据和目标域数据，引入皮尔森相关系数计算小批量样本中不同节点信号之间的相似度，得到皮尔森矩阵；基于所述皮尔森矩阵，引入阈值对所述皮尔森矩阵的元素进行过滤筛选，得到皮尔森阈值矩阵；基于所述皮尔森阈值矩阵，利用高斯核函数计算所述皮尔森阈值矩阵中非0元素对应的边权重，构造邻接矩阵，得到源域图结构数据集和目标域图结构数据集。

5、在一些实施方式中，在划分得到的源域训练集和目标域训练集中，源域训练集含有数据标签，目标域训练集不包含标签。

6、在一些实施方式中，基于源域训练集和目标域训练集，进行训练，得到域适应图神经网络模型，包括：基于源域训练集和目标域训练集，取出源域训练集和目标域训练集，并输入图神经网络中进行特征聚合，获得源域训练集中的源域数据、以及目标域训练集中的目标域数据经过特征提取器的输出特征；将源域训练集中的源域数据在特征提取器上的输出特征中的高维特征输入标签分类器中，输出预测类标签，计算预测类标签与真实类标签的交叉熵损失作为标签分类损失；将特征提取器的输出特征，经过梯度反转层后输入域判别器中，输出预测的域标签；根据域判别器输出概率计算源域和目标域的预测域标签与真实域标签之间的域对抗损失；利用coral函数，计算特征提取层输出的源域特征和目标域特征之间的差异作为特征度量距离损失；将标签分类损失、域对抗损失和度量距离损失加权求和，作为总体的损失函数；利用梯度下降法和误差反向传播算法，通过领域对抗训练和度量距离对齐的方式训练域适应图神经网络模型，同时更新特征提取器、标签分类器和域判别器的权重参数。

7、在一些实施方式中，还包括：根据预测诊断结果对域适应图神经网络模型进行修正，得到修正后的域适应图神经网络模型，作为滚动轴承变工况的故障诊断模型，以利用滚动轴承变工况的故障诊断模型，进行滚动轴承变工况的故障诊断。

8、与上述方法相匹配，本发明另一方面提供一种滚动轴承变工况的故障诊断装置，包括：获取单元，被配置为针对滚动轴承的故障设备，采集故障设备的原始振动数据，划分为源域数据和目标域数据；控制单元，被配置为将划分得到的源域数据和目标域数据构造为图结构数据，得到源域图结构数据集和目标域图结构数据集；所述控制单元，还被配置为将构造得到的源域图结构数据集和目标域图结构数据集，分别按照设定比例划分为源域训练集、源域测试集，以及目标域训练集、目标域测试集；所述控制单元，还被配置为基于源域训练集和目标域训练集，进行训练，得到域适应图神经网络模型；所述控制单元，还被配置为基于源域测试集和目标域测试集，对训练得到的域适应图神经网络模型进行测试，输出预测诊断结果。

9、在一些实施方式中，所述获取单元，采集故障设备的原始振动数据，划分为源域数据和目标域数据，包括：采用加速度传感器获取故障设备的原始振动数据；根据故障设备的不同运行工况，将采集得到的原始振动数据划分为源域的振动数据和目标域的振动数据；采用无重叠滑窗采样方式将源域的振动数据和目标域的振动数据划分为设定长度的振动子信号，利用fft算法将所有振动子信号转换到频域中的频谱信息，得到源域数据和目标域数据。

10、在一些实施方式中，所述控制单元，将划分得到的源域数据和目标域数据构造为图结构数据，得到源域图结构数据集和目标域图结构数据集，包括：基于划分得到的源域数据和目标域数据，引入皮尔森相关系数计算小批量样本中不同节点信号之间的相似度，得到皮尔森矩阵；基于所述皮尔森矩阵，引入阈值对所述皮尔森矩阵的元素进行过滤筛选，得到皮尔森阈值矩阵；基于所述皮尔森阈值矩阵，利用高斯核函数计算所述皮尔森阈值矩阵中非0元素对应的边权重，构造邻接矩阵，得到源域图结构数据集和目标域图结构数据集。

11、在一些实施方式中，在划分得到的源域训练集和目标域训练集中，源域训练集含有数据标签，目标域训练集不包含标签。

12、在一些实施方式中，所述控制单元，基于源域训练集和目标域训练集，进行训练，得到域适应图神经网络模型，包括：基于源域训练集和目标域训练集，取出源域训练集和目标域训练集，并输入图神经网络中进行特征聚合，获得源域训练集中的源域数据、以及目标域训练集中的目标域数据经过特征提取器的输出特征；将源域训练集中的源域数据在特征提取器上的输出特征中的高维特征输入标签分类器中，输出预测类标签，计算预测类标签与真实类标签的交叉熵损失作为标签分类损失；将特征提取器的输出特征，经过梯度反转层后输入域判别器中，输出预测的域标签；根据域判别器输出概率计算源域和目标域的预测域标签与真实域标签之间的域对抗损失；利用coral函数，计算特征提取层输出的源域特征和目标域特征之间的差异作为特征度量距离损失；将标签分类损失、域对抗损失和度量距离损失加权求和，作为总体的损失函数；利用梯度下降法和误差反向传播算法，通过领域对抗训练和度量距离对齐的方式训练域适应图神经网络模型，同时更新特征提取器、标签分类器和域判别器的权重参数。

13、在一些实施方式中，还包括：所述控制单元，还被配置为根据预测诊断结果对域适应图神经网络模型进行修正，得到修正后的域适应图神经网络模型，作为滚动轴承变工况的故障诊断模型，以利用滚动轴承变工况的故障诊断模型，进行滚动轴承变工况的故障诊断。

14、与上述装置相匹配，本发明再一方面提供一种终端，包括：以上所述的滚动轴承变工况的故障诊断装置。

15、与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的滚动轴承变工况的故障诊断方法。

16、由此，本发明的方案，通过构造图结构数据，采用图神经网络对图结构数据进行特征提取，之后根据标签分类损失、域对抗损失和度量损失建立了总体损失函数，采用误差反向传播算法和梯度下降算法更新模型参数，总体上解决了传统技术在源域和目标域数据分布和特征不同的这类特殊场景方面的缺陷，有效提高了滚动轴承在变工况下的故障诊断准确率。

17、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

18、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。