团队科研成果分享

2023.03.16-2023.03.19

01

研究背景

随着传统制造业向智能制造业的产业升级旋转机器的重要性日益凸显。轴承和齿轮作为旋转机器的关键部件因长期旋转、大负载、恶劣的工作环境等原因一般容易发生故障。旋转机器的故障可能导致巨大的经济损失甚至人员伤亡。因此及时对这些部件进行故障诊断对于保证旋转机器安全稳定运行至关重要。

近年来，学术界对图神经网络（GNN）进行了广泛的研究。它通过节点之间的边缘连接迭代传播信息以更新每个节点的表示，充分利用非欧几里得空间中的图结构信息，使用基于图神经网络的方法解决旋转机器部件的故障诊断问题成为了研究热点。

02

关键技术

本研究提出了一种用于旋转机器故障诊断的基于图（Graph）数据的高阶注意力网络（GHOAN）。具体而言，所提出的方法结合了改进的图注意力网络（GAT）模型和多阶邻域特征感知的优点，通过聚合来自多个邻域的特征来实现更丰富的特征表示。利用此方法可在使用较少的振动信号数据样本下实现有效的故障诊断。在两个基准数据集和一个真实实验平台上进行的实验结果表明，所提出的GHOAN模型具有优异的性能。

论文主要贡献如下：

（1）通过将优化后的GAT模型与多级邻域特征感知相结合，提出了一种新颖的GHOAN算法，可对图结构数据中的多阶邻域进行特征聚合。

（2）利用二维卷积神经网络（2D-CNN）提取抽象的深层特征并以此为基础构造图，进而减少了冗余边连接在一定程度上提高了生成图的质量。

（3）提出了一种基于GHOAN的工业旋转机器智能故障诊断方法，旨在从较少的标记数据中学习提取更鲁棒、更全面的特征表示。

03

算法介绍

图1. GHOAN方法的总体框架

故障诊断过程如图1所示。为获得更丰富和更鲁棒的特征表示，在分类模型中使用了三个高阶GAT层，最后使用一个全连通层获得最终的特征输出。故障类别对应于全连通层的输出特征维数。具体步骤如下: 

第一步: 利用数据采集系统采集旋转机器的原始振动信号。 

第二步: 数据预处理，数据归一化并用STFT对处理后的数据进行频谱分析。 

第三步: 利用2D-CNN提取抽象的深层特征，并在此基础上构建关联图。 

第四步: 将样本随机分成训练集和测试集。结合改进的GAT模型和多阶邻域感知提取特征，最后利用全连通层获取故障预测类别。

A. 构建关联图

图2.构造关联图

首先对采集到的原始震动信号数据进行最大最小归一化及短时傅里叶变换(SFTF)频谱分析，之后建立一种新的卷积k-最近邻域图(CKNG)网络用于图（Graph）的构造，如图2所示可以看出提出的CKNG主要由两部分组成：2D-CNN和K-最近邻域图（K-NNG）。具体来说卷积层(3×3)表示卷积核大小和步幅分别为3和1。[b,8,33,33]表示特征维度，其中b表示BatchSize。

2D-CNN提取的深层特征不包含在故障分类的训练过程中，仅用于建立关联图。

B. 提出的高阶GAT体系结构

图3.高阶GAT使用图

由于GAT不是GCN的自然扩展，它不对邻接矩阵进行归一化，但归一化可增强模型的性能。因此，首先对GAT邻接矩阵进行归一化处理以提高模型的整体性能。将GAT的未归一化邻接矩阵定义为Aatt， GAT归一化并添加自环后：

分类模型中的每一层可以表示为：

其中邻接幂超参数M是一组整数， 表示邻接矩阵  n次幂。结构如图3所示。

图4.节点特征聚合

如图4所示，M = {0，1，2}。这意味着每个多尺度GAT层执行三次节点聚合在每一个消息传递步骤中，每个节点从其最近的（一阶）邻居和n阶邻居获得潜在的表示，每次节点聚合是通过在GAT内部利用线性层聚合不同阶数的邻居节点特征来实现。这样可以扩展感受野提取更丰富的节点特征。分类模型的最终特征输出如下所示：

04

实验结果

A. 实验数据

（1）实验首先使用基准数据集CWRU轴承数据集，采用驱动端故障数据信号采样频率为12kHz，采样长度为1024个，负载为3HP。从轴承10种健康状态的振动数据中随机抽取150个样本，共收集1500个样本。为了在有限的标签数据下评估模型的性能，本实验将训练样本的比例分别设置为1%、3%、5%、10%和20%。

实验是一个包含1500个节点的图上的10个分类的节点分类任务。 为了在有限样本条件下验证该方法的故障诊断性能，我们选择了基于图神经网络的GCN、GAT、Graphsage、Chebynet和2D-CNN模型作为比较方法。

（2）为了验证该方法在实际环境中的有效性，使用河海大学(HHU)的数据集进行了实验。 

图5. HHU轴承数据集试验台

实验平台如图5.所示 该平台采用2马力M2BAX90LA4 ABB电机，利用安装在12点的振动传感器，以12 kHz的采样频率采集轴承故障数据。电机转速在200-300转/分之间。

（3）为了验证该模型在齿轮故障中的有效性，利用美国康涅狄格大学(UOC)在图的齿轮故障数据集进行了对比试验 10. [38]。测量的振动数据包括9个齿轮健康状况：1）健康状况；2）齿缺失3）齿根裂纹；4）剥落；5）刀尖磨损则有五种不同程度的严重程度。每个健康状态包含104个样本，总共936个。信号采样频率为64kHz，采样长度为1024。本实验任务是对一个有3285个节点的图在9个故障类别中进行分类。

B. 实验结果

表1.CWRU数据集实验结果

图6.CWRU数据集实验结果图

评估方法包括最大准确度(max-acc)、最小准确度（min-acc）和平均准确度（aveacc）。利用CWRU数据集进行故障诊断的结果如表1和图6所示。

实验结果表明，GHOAN模型优于其他五种模型，尤其是在训练样本较少的情况下表现出更好的性能。这表明该方法通过对多邻域特征的聚合，扩展了感受野，实现了更丰富的特征表示。随着训练数据量的增加，所有模型的性能都有所提高而模型的平均精度差值有所减小。

表2. HHU数据集实验结果

图7. HHU轴承数据实验结果图

HHU数据集中的实验结果如表四及图7所示。从实验结果可以看出，在不同的数据样本比下，GHOAN比其他模型具有更高的平均精度和更小的实验标准差，表现出最好的性能。在有限数据条件下的故障诊断效果再次证明了该策略融合了多邻域特征。

图7. UoC齿轮数据实验结果图

图8. 20%训练样本比例数据下的混淆矩阵可视化

图9. 利用T-SNE可视化GHOAN的分类性能

从实验结果图中可看到在所有三个数据集上， GHOAN有较高的平均分类精度。使其中GHOAN对CWRU方位数据集的分类效果最好，尽管在HHU和UOC数据集中存在一些样本分类错误，但仍然可以观察到GHOAN能够清楚地区分所有不同的故障类型。 

05

总结

本文提出了一种基于图的工业旋转机器故障诊断方法GHOAN。本方法可以利用改进的GAT和多阶邻域信息感知获得更丰富的特征表示。通过两个模拟场景和一个真实实验平台的实验结果验证了所提出模型的有效性和可行性。在有限样本数据下的实验结果表明GHOAN在准确性、精确度、查全率和F-Score性能方面优于其他方法。它能准确地对旋转机器的齿轮、轴承等部件进行故障分类。因此对于故障样本有限的工业场景而言是一种有前途的智能诊断方法。

扫描二维码关注我们