[发明专利]基于域自适应图卷积网络的航发传动系统故障诊断方法

说明书

本公开揭示了一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。

技术领域

本公开属于机械故障诊断领域，具体涉及一种基于域自适应图卷积网络的航发传动系统故障诊断方法。

背景技术

智能诊断在航空发动机传动系统的健康管理系统中扮演着重要的角色，其已经被广泛用于现代工业中，且其主要用途为监视设备状态并减少停机时间。目前，无监督域自适应方法在变工况条件下的机械故障诊断中取得了成功的应用。在无监督域自适应方法中，类标签，域标签和数据结构等三种类型的信息对实现从有标签的源域到无标签的目标域迁移的过程中至关重要。但是，大多数现有的无监督域自适应方法仅使用了前两种信息，而忽略了对数据结构的建模，这使得深度网络提取的特征中包含的信息不完整。因此，需要一种能够将数据结构信息也嵌入所提取特征的模型。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于域自适应图卷积网络的航发传动系统故障诊断方法，通过设计图生成层将卷积神经网络提取的特征转换为关联图数据，再使用图卷积网络对生成的关联图进行建模，从而将数据间的结构信息也嵌入到提取的特征中，使得特征中包含的信息更完整，从而提高了所提取特征的可区分性和模型的鲁棒性。

为实现上述目的，本公开提供以下技术方案：

一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括如下步骤：

S100：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；

S200：构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；

S300：将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。

优选的，步骤S200中，所述域自适应图卷积网络包括：

特征提取器F，所述特征提取器F包括四层卷积神经网络、一个图生成层和两层图卷积网络，所述特征提取器F用于提取源域数据和部分目标域数据的特征值；

故障分类器C，所述故障分类器C包含一个全连接层，所述故障分类器C用于对源域数据所携带的故障类型进行识别；

域鉴别器D，所述域鉴别器D包含三层图卷积层，用于区分源域数据与目标域数据的差异；

数据结构对齐器S，所述数据结构对齐器S包含一个最大均值差异距离估计器，用于对齐源域数据和目标域数据的数据结构。

优选的，所述特征提取器F的表达式为：

且

其中，GConv(·)和Conv(·)分别表示图卷积层运算和卷积运算，GGL(·)表示图生成层，X分别表示通过图生成层构造的关联图的邻接矩阵和节点特征矩阵。

优选的，所述故障分类器C的表达式为：