[发明专利]一种机械部件的模式识别方法、装置、设备和存储介质

说明书

一种机械部件的模式识别方法、装置、设备和存储介质，该方法包括：S1、采集机械部件振动加速度信号；S2、对原始信号进行归一化处理，构建为待测样本；S3、将待测样本输入到多个训练完毕的自编码器中，在每个自编码器的中间层得到对应特征；S4、将S3若干个特征组合为特征图，每一项特征作为图上一个节点。同属于同一待测样本的特征之间形成无向的边连接，作为图神经网络的输入；S5、利用图神经网络的图卷积操作进行特征挖掘，并在图神经网络的最后构建Soft‑max分类器，实现机械部件的模式识别。本发明能充分学习不同特征之间的结构信息，找到特征结构对应的设备故障类型差异，从而提高设备故障检测的准确性。

技术领域

本发明属于设备故障检测技术领域，更具体地，涉及一种机械部件的模式识别方法、装置、设备和存储介质。

背景技术

机械部件模式识别一直是工业领域研究的热点与难点。在实际工业背景下，机械部件的可靠性直接关系到生产效率与生产安全，若能对机械部件的状态模式进行有效可靠的分析和识别，将大大提高生产加工的安全性，降低设备运维风险。如齿轮、轴承等机械部件往往应用于恶劣的工况下，极易发生损坏，对这类机械部件的故障模式的识别是很有必要，也是很有价值的一项工作。

针对机械部件的模式识别方法，可以分为传统非智能方法和智能识别方法两类。传统智能识别方法通常建立在人工经验的基础上，针对不同的对象和工况进行步骤的设计，普适性往往不强。智能识别方法得益于大数据分析、人工智能等技术的飞速发展，已经在机械部件模式识别问题上初见成效。其中，基于机器学习、深度学习等技术对振动加速度信号进行特征挖掘和分析，也取得了诸多研究成果。

然而，现有的机器学习、深度学习模型通常只对样本进行一次特征提取，即使采用了多种特征提取方式，也只是将这些特征进行简单的拼接组合，忽略了样本类型不同时特征结构上的差异，因此难以达到最优的识别效果。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种机械部件的模式识别方法、装置、设备和存储介质，其目的在于准确识别机械部件的当前状态模式。由此解决由于忽略样本特征之间结构差异而导致识别正确率不足的问题。

为实现上述目的，按照本发明的一个方面，提供了一种机械部件的模式识别方法、装置、设备和存储介质。

一种机械部件的模式识别方法，包括：

S1：采集机械部件振动加速度信号；

S2：对原始信号进行归一化处理，将连续预设数目的采样点构建为一个待测样本；

S3：将待测样本输入到多个(一般不少于5个)训练完毕的自编码器中，在每个自编码器的中间表达层得到一个对应特征。其中，所述自编码器个数与所提取的特征个数(区别于特征的维度)是相等的；所述特征的维度，一般地，可设置为待测样本维度的1/2,1/4或1/8等。

S4：将S3中所述若干个特征组合为特征图，每一项特征作为图上一个节点。同属于同一待测样本的特征之间形成无向的边连接，不属于同一待测样本的特征之间则没有边连接，并以该特征图作为图神经网络的输入；

S5：利用图神经网络的图卷积操作进行特征挖掘，并在图神经网络的最后构建Soft-max分类器，实现机械部件的模式识别。

在其中一个实施例中，所述步骤S3具体包括：

将待测样本输入到多个自编码器中，经过逐层编码，在自编码器模型的中间表达层提取对应的特征。

标识该特征的样本来源，即标识其是由哪个样本提取而来。

在其中一个实施例中，所述步骤S4具体包括：

构建特征图G，主要包含节点、边两项元素的构建。