买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨理工大学

摘要：本发明公开了一种基于FSASCA‑VMD与GraphSAGE‑SA的转子‑轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过FSASCA算法对VMD进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使VMD完成分解。对于分解后存在的不需要的IMF分量，采用累计峭度占比的方法对IMF分量进行重构，完成信号降噪。步骤二、针对于图卷网络在处理图数据上不足，提出了GraphSAGE算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重。

主权项：1.一种基于FSASCA-VMD与GraphSAGE-SA的转子-轴承故障诊断方法，其特征在于：步骤一、基于FSASCA-VMD的信号分解与重构；采用VMD的分解方法，通过确定各个模态分量的中心频率和有效带宽，解决原有分解过程产生的模态混叠以及端点效应；对于分解过程中所产生的模态分量K和惩罚因子α的确定，采用FSASCA的方法对VMD参数进行寻优；在对分解后的信号采用累计峭度值法筛选出相关性大的IMF分量，对信号进行重构以完成降噪；所述步骤一的具体步骤如下：步骤一一、VMD参数的自适应确定与信号分解：对FSASCA算法进行初始化，设定各个参数值，计算初始局部解和初始全部解；对输入的信号进行变分模态分解，并实时记录最佳的解；提取各迭代算法得到的组合参数，记录最小适应度值，采用得到的最优的K值和α值来对原有信号进行分解；具体计算公式如下：随机解：Si,:＝Lb+Ub-Lb×rand1,d式中：Si,:表示第i个解，Lb和Ub表示下限和上限边界，rand表示均匀分布的伪随机数，d表示问题的维度；在构建所有解之后，每个解被视为局部解LS，选择最优解定义为全局解GS，FSASCA的局部搜索过程依赖LS，其计算公式为：Si,:L＝LSi,:-Si,:×randFSASCA的全局搜索过程依赖GS，其计算公式为：Si,:G＝GS-Si,:×rand在计算局部收敛和全局收敛之后，通过以下公式更新每个解：Si,:＝Si,:+Si,:L+Si,:GFSASCA算法更新GS和LS：每个解决方案都通过以下方式进行更新：Si,:＝GS+GS-LSi,:×rand利用正余弦算法循环渐进地寻找最优解：Si,:＝Si,:+r1×sinr2×|r3×GS-Si,:|，r4＜0.5Si,:＝Si,:+r1×cosr2×|r3×GS-Si,:|，r4≥0.5 式中：r1表示下一个搜索位置；r2是[0,2π]中的随机数；r3是扰动权重，为了有一个更精确的定位设置r3＝1；r4是[0,1]中的随机数；a是一个常量；t是当前迭代；Max是最大迭代次数；步骤一二、IMF分量筛选与信号重构：采用累计峭度值占比法，计算IMF分量及相关系数，对峭度值大于理论百分比的前几个IMF分量进行重构，完成信号降噪；所述峭度值的百分比为80％；峭度值计算公式如下： 式中：xi为IMF分量，μ为xi的均值，σ为xi的标准差，Kv为IMF分量xi的峭度值；峭度值占比法计算公式： kP式中：表示第r个IMF分量的峭度值，P为信号分解沟的IMF分量个数；步骤二、基于GraphSAGE-SA的转子-轴承故障诊断；针对于原始数据处理停留在欧式距离的数据结构上，且深度学习的方法缺乏可解释性，提出了GraphSAGE算法，随机采样j个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，进而对未知节点起到泛化作用；同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重；所述步骤二的具体步骤如下：步骤二一：初始化GraphSAGE-SA模型，设定模型参数；具体参数如下：①训练集样本；②测试集样本；③卷积核；④激活函数；⑤节点失活率；步骤二二：将降噪后的转子-轴承系统振动信号数据导入，按照路图的拓扑结构构建故障数据，将数据集打乱作为初始样本数据集，按比例划分为训练集和测试集；步骤二三：将训练集输入到GraphSAGE-SA模型中对模型进行训练，以获得输出误差，再利用输出误差的反向传播对模型进行参数更新；步骤二四：重复步骤二三，当模型分类准确率最高且训练损失值最小并伴随收敛时停止训练，将测试集数据输入到GraphSAGE-SA模型中，完成对转子-轴承系统的故障诊断。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于FSASCA-VMD与GraphSAGE-SA的转子-轴承故障诊断方法