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:昆明理工大学
摘要:本发明公开了一种运用图卷积神经网络诊断齿轮箱故障的方法及装置,属于机械设备的故障诊断领域。方法包括:构建齿轮箱故障诊断数据集;将齿轮箱故障诊断数据集中的数据样本分解成最佳模态个数的IMF模态分量后进行FFT变换得到IMF模态分量的频域特征表示;提取每个IMF模态分量的时域特征和频域特征构造特征节点集;以每个IMF模态分量的时域特征和频域特征组合在一起作为节点,构建出图结构特征集;使用待诊断齿轮箱振动数据作为双通道图卷积神经网络故障诊断模型的输入,以识别齿轮箱状态。与现有技术相比,本发明方法在保证诊断准确率的前提下,可以使用较少的数据获得相对较多的图结构特征数据样本,并可以大大减少运算成本。
主权项:1.一种运用图卷积神经网络诊断齿轮箱故障的方法,其特征在于,包括:数据获取和预处理步骤:获取不同状态下的齿轮箱振动数据,分别对不同状态下的齿轮箱振动数据进行预处理以用于构建齿轮箱故障诊断数据集;其中,状态包括健康状态、故障状态;特征节点提取步骤:依据预设的最佳模态个数,使用EMD对齿轮箱故障诊断数据集中的数据样本进行分解,将齿轮箱故障诊断数据集中的数据样本分解成中心频率不同的最佳模态个数的IMF模态分量;再对分解得到的IMF模态分量做FFT变换得到IMF模态分量的频域特征表示;提取每个IMF模态分量的时域特征和频域特征构造特征节点集;图结构特征集构造步骤:以每个IMF模态分量的时域特征和频域特征组合在一起作为节点;对于各节点基于相邻节点进行该节点下图结构边的构建;基于高斯核权重来确定图结构中每条边的权重,以此构建出图结构特征集;故障诊断模型构建与训练步骤:融合注意力机制构建双通道图卷积神经网络故障诊断模型,将图结构特征集作为双通道图卷积神经网络故障诊断模型的输入,实现双通道图卷积神经网络故障诊断模型的训练,得到训练后的双通道图卷积神经网络故障诊断模型;齿轮箱故障诊断步骤:使用待诊断齿轮箱振动数据构建图结构特征集作为训练后的双通道图卷积神经网络故障诊断模型的输入,以识别齿轮箱状态,实现对齿轮箱故障进行诊断;所述图结构特征集的构造过程中,使用KNN算法挖掘节点关联关系,以寻找每个节点的近邻的样本数量,得到节点相邻节点;所述的确定、最佳模态个数的确定,具体为:设置所述的初始值、设置所述最佳模态个数的初始值;在所述取初始值的情况下,通过依次增加所述最佳模态个数的取值,并使用所述图结构特征集构建步骤,将图结构特征集输入到双通道图卷积神经网络故障诊断模型中,得到最佳的训练准确率,从而确定所述最佳模态个数的取值;在确定所述最佳模态个数取值后,依据确定的所述最佳模态个数,在所述的最佳值预设区间内,对所述取不同整数值的情况下,通过依次增加所述的取值,并使用所述图结构特征集构建步骤,将图结构特征集输入到双通道图卷积神经网络故障诊断模型中,得到最佳的训练准确率,从而确定所述的最佳取值;所述双通道图卷积神经网络故障诊断模型,具体为:包括输入层、两个图注意力网络通道、全连接层、Dropout层和输出层;其中,输入层作为两个图注意力网络通道的输入,两个图注意力网络通道的输出经拼接操作后作为全连接层的输入,并经过一个Dropout层后作为输出层的输入,最后输出层输出齿轮箱振动数据的状态类别;所述两个图注意力网络通道结构相同,均包括两个堆叠的图注意力卷积层,并在各图注意力卷积层之后引入BatchNorm层、Relu激活函数。
全文数据:
权利要求:
百度查询: 昆明理工大学 一种运用图卷积神经网络诊断齿轮箱故障的方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。