基于图卷积网络的轴承故障检测算法.pdf
《基于图卷积网络的轴承故障检测算法.pdf》由会员分享,可在线阅读,更多相关《基于图卷积网络的轴承故障检测算法.pdf(5页珍藏版)》请在咨信网上搜索。
1、现代电子技术Modern Electronics Technique2023年11月1日第46卷第21期Nov.2023Vol.46 No.210 引 言旋转机械是工业生产中最常见的设备,从数控机床12到航空航天3,从风力发电4到土木工程5,旋转机械都发挥着不可或缺的作用。轴承作为旋转机械的核心装备,约有 30%的旋转机械故障由轴承引起6。及时检测到轴承故障,根据轴承实际情况提前采取措施,不仅可以避免经济和生命安全风险也有助于轴承的维护与保养。为解决传统方法中没有考虑到对象之间的联系,从而丢失了许多有用的信息,导致精度不高的问题,本文提出了一种GEHITS(Graph Convolutiona
2、l Network and Embedding HypertextInduced Topic Search)轴承故障检测方法。本文贡献可以总结如下:1)将欧氏数据转化为德劳内三角网,使样本从独立状态转为连接状态,解决了k近邻构图法导致的参数难以选择的问题。2)对数据集进行特征重建,通过训练图结构和节点的特征信息,使节点融合自身节点特征和邻居传递的信息。基于图卷积网络的轴承故障检测算法邱 瑞1,于 炯1,2,冷洪勇1,杜旭升2,李 姝2,刘怡然1(1.新疆大学 软件学院,新疆 乌鲁木齐 830091;2.新疆大学 信息科学与工程学院,新疆 乌鲁木齐 830046)摘 要:轴承故障占到了感应发动机
3、故障总数的1 3,会造成严重的经济损失甚至生命威胁。准确且及时地检测出轴承故障对于提高生产效率和降低安全风险至关重要。传统检测算法对轴承信号特征的选择较为敏感,而基于机器学习的轴承故障检测算法往往仅考虑了样本的特征信息却忽略了样本之间的联系,从而丢失了许多有用的信息。为解决这个问题,将特征提取迁移到图结构,提出了GEHITS的轴承故障检测方法。该方法首先将样本以德劳内三角网形式连接成图;然后将图结构与样本的特征信息一同作为图卷积神经网络的输入;最后将训练后的数据通过权威值排序来判断故障点。通过与在真实数据集上运行的8种对比算法的3种指标进行比较,GEHITS算法都取得了最佳的结果,充分证明了所
4、提算法的有效性。关键词:轴承故障检测;深度学习;数据挖掘;图卷积神经网络;GEHITS;权威值排序中图分类号:TN911.134;TP311.13 文献标识码:A 文章编号:1004373X(2023)21008905Bearing fault detection algorithm based on graph convolutional networksQIU Rui1,YU Jiong1,2,LENG Hongyong1,DU Xusheng2,LI Shu2,LIU Yiran1(1.School of Software,Xinjiang University,Urumqi 83009
5、1,China;2.School of Information Science and Engineering,Xinjiang University,Urumqi 830046,China)Abstract:Bearing failures account for onethird of all induction engine failures,which poses significant economic losses and even lifethreatening risks.Accurate detection of bearing failures is crucial for
6、 improving production efficiency and reducing risks.Traditional detection algorithms are sensitive to feature selection,while bearing fault detection algorithms based on machine learning often only consider the feature information of samples and overlook the relationships between samples,which leads
7、 to the loss of valuable information.To address this issue,a bearing fault detection method called GE HITS(graph convolutional network and embedding hypertextinduced topic search)is proposed by transferring feature extraction to a graph structure.In this method,samples are connected into a graph by
8、the Delaunay triangulation,and the graph structure,along with the feature information of the samples,is used as the input to the graph convolutional neural network.Finally,the trained data are used to confirm the fault points by authoritative value sorting.By comparing the three indexes of the eight
9、 benchmark algorithms run on real datasets,it can be seen that the GEHITS algorithm consistently achieves the best results,which fully demonstrates the effectiveness of the proposed approach.Keywords:bearing fault detection;deep learning;data mining;graph convolutional neural network;GEHITS;authorit
10、ative value sortingDOI:10.16652/j.issn.1004373x.2023.21.017引用格式:邱瑞,于炯,冷洪勇,等.基于图卷积网络的轴承故障检测算法J.现代电子技术,2023,46(21):8993.收稿日期:20230519 修回日期:20230612基金项目:国家自然科学基金资助项目(61862060);国家自然科学基金资助项目(61462079);国家自然科学基金资助项目(61562086);国家自然科学基金资助项目(61562078);新疆维吾尔自治区自然科学基金项目(2021D01C083)8989现代电子技术2023年第46卷3)利用嵌入构图,并
11、根据图的指向性判断故障点,同时在公开数据集上进行了广泛的实验,证明了所提GEHITS算法的有效性。1 方法介绍本文提出的GEHITS方法主要由三阶段构成:1)将欧氏数据集中的点抽象成德劳内三角网,构成以节点为粒度的结构特征,然后将结构特征与原始特征作为图卷积神经网络(Graph Convolutional Network,GCN)的输入进行图的表示学习。GCN的输出融合了节点的特征信息与图的结构特征信息。2)对 GCN的输出进行特征加权得到加权向量,根据加权向量定义连通图。3)在连通图上建立 HITS(HypertextInduced Topic Search)模型,通过节点的指向度量节点的重
12、要程度,排序得到故障点。算法的整体架构如图1所示。图1 GEHITS算法整体架构模型1.1 图构建模块数 据 集X的 第i个 样 本xi可 以 表 示 为xi=,d代表维度。针对 GCN 的图构建是指将结构化数据集X转换为符合 GCN训练的图数据。为了解决传统 k 近邻构图中参数设定困难的问题,使用TSNE(TDistributed Stochastic Neighbor Embedding)算法对数据进行降维,并利用德劳内三角剖分图进行节点连接。这种方法不仅能避免参数设置困难,同时将图中每个数据点与其空间上相邻的点相连,形成有效邻居关系,有效反映样本间的拓扑结构。TSNE 中数据点之间的相似
13、性采用概率距离度量方法表示。高维空间中两样本点xi与xj的相似性采用联合概率Pij度量:Pij=exp()-xi-xj22ik iexp()-xi-xj22i(1)式中:X为输入数据集,xi指其中的数据点;是以xi为中心的高斯分布的方差。高维空间样本映射到低维流性空间时,低维的“度量空间”为避免“拥挤问题”被定义为以每个点为中心的重尾分布7Qij。记Y=y1,y2,yn为嵌入得到的低维空间样本点,采用联合概率Qij度量:Qij=exp()1+yi-yj2-1exp()1+yi-yj2-1(2)设两个分布间的相对熵为代价函数C,采用梯度下降法来最小化C,其计算过程为:C=KL()P Q=ij i
14、pijlogpijqij(3)将经 TSNE 映射后的点集Y进行三角网划分可生成图G(V,E),其中V=v1,v2,vn表示数量为N=|V的节点的集合,E表示边的集合。三角网划分即为以不相交的线段将点集中所有点全部连接且每个最小二维图形均为三角形。满足如下定义即为德劳内三角剖分图。定义1:空球准则单个三角形或不规则的四面体的外接圆或外接球内部不包含除顶点外的其他点。定义2:最大最小角准则每个三角的角度都满足是所有可能三角形中最小的。三角剖分图优势在于无论从何处建立剖分图其结果唯一且增删样本时只对其周边样本连接有影响,生成离散数据点之间的拓扑结构有效展示了数据间的几何特征。通过公式(4)计算求得
15、图与yi相关的所有边的标准差ST(yi)。ST(yi)=pi N(yi)()SD(yi,yj)-Mean(yi)2|N(yi)(4)式中:数据集Y中点之间的邻域关系用边 edge(yi,yj)表示;SD(yi,yj)表示两点之间欧氏距离,即三角剖分图edge(yi,yj)的长度;N(yi)表示yi点的所有空间相邻点;Mean(yi)表示所有样本标准差。对于连通图上的任意一点yi,设与yi点相连的集合为U。若U包含所有其他点到yi点的欧氏距离小于等于标准差,则边 edge(yi,yj)存在,反之,则yi与yj之间不存在连接关系。对每个样本构建完成其连接关系后,得到数据集X的邻接矩阵。邻接矩阵A被
16、定义为ARN N。为了防止邻接矩阵A在图卷积网络训练过程中容易引起过平滑现象,本文引入 DropEdge 方法解决该问题。图卷积本质是对拉普拉斯矩阵做平滑操作,高层 GCN 中混合了90第21期节点本身和邻居的特征,即使删除某节点,关于该节点信息仍能从其邻居中获得,DropEdge抛弃部分边但依旧保持节点特征,与 Dropout 相比更加灵活,在 GCN 训练之前,每个epoch随机剔除图中一定数量的边:Adrop=A-A(5)式中:A为 GCN的图结构输入;A是由原来的矩阵选取随机个数边的子集。图构建模型如图2所示。图2 图构建模型1.2 图卷积神经网络模块采用加法规则时,对比度大的节点特征
17、越来越大,而对比度小的节点却相反,导致网络训练过程中梯度爆炸或者消失的问题,通过使用过渡概率矩阵将其转换为Hermitian 矩阵进行归一化,对称的正定矩阵可以避免梯度消失或梯度爆炸。L=I-12 P -12+-12 PT 122(6)式中:I表示单位矩阵;P为A的转移概率矩阵;矩阵表示除对角线为图的 Perron 向量之外其他元素置 0 的矩阵。为了获取更加精准的节点表示,每个节点都将通过消息传递的方式获得其邻居信息。图卷积网络的结构如公式(7)所示:H(l+1)=(LH(l)W(l)(7)式中:H(l+1)表示第l层的输出以及第l+1层的输入,对于0层的H,即最初输入的X;W(l)表示l层
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 图卷 网络 轴承 故障 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。