[发明专利]一种图神经网络故障诊断方法、装置和存储介质

说明书

本发明公开了一种图神经网络故障诊断方法、装置和存储介质，其中方法包括：采集旋转机械在不同实验工况下的振动加速度信号，根据振动加速度信号获取样本，并对样本进行标注，获得样本数据集；构建用于识别不同工况故障的多尺度时空信息融合驱动的图神经网络；根据样本数据集对图神经网络进行训练优化；在测试阶段，将不同工况的测试样本输入训练后的图神经网络，输出样本故障的概率分布，获取概率最大的故障为预测样本标签。本发明从多维时序信息特征提取出发，构造单分支下不同尺度大小的卷积核分别对原始振动信号进行不同尺度特征提取，有效克服了现有单尺度结构特征提取不足以及多分支结构计算量大的问题，可广泛应用于机械设备故障诊断领域。

技术领域

本发明涉及机械设备故障诊断领域，尤其涉及一种图神经网络故障诊断方法、装置和存储介质。

背景技术

近年来，随着现代工业技术和机械设备现代化水平的不断发展，旋转机械越来越趋向于复杂化、大型化、高性能、高效率和高自动化发展。然而，旋转机械设备长期工作在高负荷且工况复杂多变等恶劣环境，在工作过程中齿轮、轴承等核心零部件不可避免的会出现磨损、断裂等各种故障，由此引起的旋转机械设备性能不稳定或失效，如果不能及时发现并维修，将会造成巨大的安全隐患和经济损失。有研究表明如果借助故障诊断技术在故障发生的前期提前介入维修，则可以降低故障发生率和维修成本。可见，如何对旋转机械的运行状况进行准确智能诊断是急需解决的问题。因此，开展精确的智能诊断算法研究对保障设备的安全运行和提高生产效率具有重要的意义。

深度学习通常指由多层隐藏层构建的深度神经网络。其基本思想在于模拟人脑的分层结构，通过构建多层非线性变换，对外部输入的数据进行处理，从而可从大量数据中，学习多层次抽象特征以及隐藏结构表示，实现对输入数据的智能识别和预测。因此，基于深度学习的故障诊断方法不需要进行复杂的信号机理分析，通过神经网络自动提取数据的有效特征进行故障诊断及分类，促进了智能故障诊断方法的发展及应用。

随着计算机技术和数据采集技术的发展，工业现场可采集到海量的设备运行数据，推动故障诊断领域进入了智能化时代。然而，旋转机械设备运行工况复杂多变，轻微的条件变化都有可能导致采集的振动信号发生大幅度改变，导致待诊断样本与训练样本的数据分布不同，使得原有故障诊断模型并不完全适用于新的运行工况。若对不同任务分别建立故障诊断模型，不仅耗费时间和人力，还需要充足的故障样本。然而在工业应用中，旋转机械无法带故障长时间运转，每个任务采集和标注故障数据的代价十分高昂。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种图神经网络故障诊断方法、装置和存储介质。

本发明所采用的技术方案是：

一种图神经网络故障诊断方法，包括以下步骤：

采集旋转机械在不同实验工况下的振动加速度信号，根据振动加速度信号获取样本，并对样本进行标注，获得样本数据集；

构建用于识别不同工况故障的多尺度时空信息融合驱动的图神经网络；

根据样本数据集对图神经网络进行训练优化；

在测试阶段，将不同工况的测试样本输入训练后的图神经网络，输出样本故障的概率分布，获取概率最大的故障为预测样本标签；

其中，图神经网络包括多尺度特征提取模块、通道注意力模块、图数据构建模块、图卷积模块以及标签分类模块；

所述多尺度特征提取模块用于对输入信号提取不同尺度的信息；

所述通道注意力模块用于对不同通道的多尺度信息进行建模，在卷积层中加入通道注意力机制，以使网络有选择地增强信息量大的特征，使得后续的处理充分利用这些特征，并对无用的特征进行抑制；

所述图数据构建模块用于引入样本之间的空间信息，