[发明专利]一种基于图马尔可夫注意网络的滚动轴承故障诊断方法

说明书

本发明公开了一种基于图马尔可夫注意网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：构造输入信息inputs_q，标签target_q，邻接关系矩阵adj，训练一个两层的GAT网络trainer_q，得到preds，编码成新编码输入，训练网络，更新，然后得到新preds和target_q，target_q将idx_train所拥有的部分替换为真实标签得到新target_q；最初的inputs_q和新target_q作为特征和标签，再训练trainer_q，trainer_q得到了更新。本发明让GATθ学出的概率分布尽可能与GATφ所学出的概率分布尽可能的一致，两个模型相互约束，采用EM算法将两个模型交替更新，解决了传统GAT网络无法对标签相关性进行建模的问题，避免了由于有标签节点不够而导致的模型失效问题。

技术领域

本发明属于轴承故障诊断技术领域，具体涉及一种基于图马尔可夫注意网络的滚动轴承故障诊断方法。

背景技术

GAT(GRAPH ATTENTION NETWORKS)是一种使用了self attention机制图神经网络，该网络使用类似transformer里面self attention的方式计算图里面某个节点相对于每个邻接节点的注意力，将节点本身的特征和注意力特征concate起来作为该节点的特征，在此基础上进行节点的分类等任务。

GAT使用了类似的流程计算节点的self attention，首先计算当前节点和每个邻接节点的注意力score，然后使用该score乘以每个节点的特征，累加起来并经过一个非线性映射，作为当前节点的特征。

图注意力网络(Graph Attention Network，GAT)模型同样也可以对网络节点(对象)之间标签的相关性进行建模。GAT网络的本质就是节点之间的信息(特征)传播，我们只需要将节点标签也当作特征输入到GAT网络(命名为GATφ)中，就可以对节点之间标签的相关性进行建模，从而实现统计关系学习的功能。然而，这种实现方式存在的问题在于：在半监督学习的场景下，有标签的节点往往比较稀少，因而在一个有标签节点的周边邻居可能都没有标签。因此使用上述基于GAT的方法对很难达到对节点之间的标签进行建模的预期效果。

为了解决标签匮乏的问题，采用另一个GAT网络模型(命名为GATθ)来预测节点标签，目的是将GATφ预测出的节点标签作为GATθ模型的输入特征。值得注意的是GATφ只通过节点的属性特征作为输入，无需关注节点之间标签的相关性。上述GATφ模型被GATθ模型所约束，因为GATφ模型依赖于GATθ提供节点标签信息作为输入。然而GATθ不受任何约束，这容易导致模型训练的结果不收敛。为了解决这一问题，可以让GATθ学出的概率分布尽可能与GATφ所学出的概率分布尽可能的一致，这样，两个模型相互约束，就可以采用EM算法将两个模型交替更新。

因此，为了解决上述问题，本文提出一种基于图马尔可夫注意网络的滚动轴承故障诊断方法。

发明内容

为了解决上述技术问题，本发明设计了一种基于图马尔可夫注意网络的滚动轴承故障诊断方法，本发明让GATθ学出的概率分布尽可能与GATφ所学出的概率分布尽可能的一致，两个模型相互约束，就可以采用EM算法将两个模型交替更新，解决了传统GAT网络无法对标签相关性进行建模的问题，又避免了使用以标签作为特征的GATφ网络由于有标签节点不够而导致的模型失效问题。

为了达到上述技术效果，本发明是通过以下技术方案实现的：一种基于图马尔可夫注意网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

Step1：构造输入信息inputs_q；

Step2：通过输入的特征inputs_q，标签target_q，邻接关系矩阵adj，标签取idx_train所拥有的部分，训练一个两层的GAT网络trainer_q；