1.一种运用图卷积神经网络诊断齿轮箱故障的方法,其特征在于,包括:
数据获取和预处理步骤:获取不同状态下的齿轮箱振动数据,分别对不同状态下的齿轮箱振动数据进行预处理以用于构建齿轮箱故障诊断数据集;其中,状态包括健康状态、故障状态;
特征节点提取步骤:依据预设的最佳模态个数,使用EMD对齿轮箱故障诊断数据集中的数据样本进行分解,将齿轮箱故障诊断数据集中的数据样本分解成中心频率不同的最佳模态个数的IMF模态分量;再对分解得到的IMF模态分量做FFT变换得到IMF模态分量的频域特征表示;提取每个IMF模态分量的时域特征和频域特征构造特征节点集;
图结构特征集构造步骤:以每个IMF模态分量的时域特征和频域特征组合在一起作为节点;对于各节点基于相邻节点进行该节点下图结构边的构建;基于高斯核权重来确定图结构中每条边的权重,以此构建出图结构特征集;
故障诊断模型构建与训练步骤:融合注意力机制构建双通道图卷积神经网络故障诊断模型,将图结构特征集作为双通道图卷积神经网络故障诊断模型的输入,实现双通道图卷积神经网络故障诊断模型的训练,得到训练后的双通道图卷积神经网络故障诊断模型;
齿轮箱故障诊断步骤:使用待诊断齿轮箱振动数据构建图结构特征集作为训练后的双通道图卷积神经网络故障诊断模型的输入,以识别齿轮箱状态,实现对齿轮箱故障进行诊断;
所述图结构特征集的构造过程中,使用KNN算法挖掘节点关联关系,以寻找每个节点的
所述
所述双通道图卷积神经网络故障诊断模型,具体为:包括输入层、两个图注意力网络通道、全连接层、Dropout层和输出层;其中,输入层作为两个图注意力网络通道的输入,两个图注意力网络通道的输出经拼接操作后作为全连接层的输入,并经过一个Dropout层后作为输出层的输入,最后输出层输出齿轮箱振动数据的状态类别;所述两个图注意力网络通道结构相同,均包括两个堆叠的图注意力卷积层,并在各图注意力卷积层之后引入BatchNorm层、Relu激活函数。
2.一种运用图卷积神经网络诊断齿轮箱故障的装置,其特征在于,包括:
数据获取和预处理模块:用于获取不同状态下的齿轮箱振动数据,分别对不同状态下的齿轮箱振动数据进行预处理以用于构建齿轮箱故障诊断数据集;其中,状态包括健康状态、故障状态;
特征节点提取模块:用于依据预设的最佳模态个数,使用EMD对齿轮箱故障诊断数据集中的数据样本进行分解,将齿轮箱故障诊断数据集中的数据样本分解成中心频率不同的最佳模态个数的IMF模态分量;再对分解得到的IMF模态分量做FFT变换得到IMF模态分量的频域特征表示;提取每个IMF模态分量的时域特征和频域特征构造特征节点集;
图结构特征集构造模块:用于以每个IMF模态分量的时域特征和频域特征组合在一起作为节点;对于各节点基于相邻节点进行该节点下图结构边的构建;基于高斯核权重来确定图结构中每条边的权重,以此构建出图结构特征集;
故障诊断模型构建与训练模块:用于融合注意力机制构建双通道图卷积神经网络故障诊断模型,将图结构特征集作为双通道图卷积神经网络故障诊断模型的输入,实现双通道图卷积神经网络故障诊断模型的训练,得到训练后的双通道图卷积神经网络故障诊断模型;
齿轮箱故障诊断模块:用于使用待诊断齿轮箱振动数据构建图结构特征集作为训练后的双通道图卷积神经网络故障诊断模型的输入,以识别齿轮箱状态,实现对齿轮箱故障进行诊断;
所述图结构特征集的构造过程中,使用KNN算法挖掘节点关联关系,以寻找每个节点的
所述
所述双通道图卷积神经网络故障诊断模型,具体为:包括输入层、两个图注意力网络通道、全连接层、Dropout层和输出层;其中,输入层作为两个图注意力网络通道的输入,两个图注意力网络通道的输出经拼接操作后作为全连接层的输入,并经过一个Dropout层后作为输出层的输入,最后输出层输出齿轮箱振动数据的状态类别;所述两个图注意力网络通道结构相同,均包括两个堆叠的图注意力卷积层,并在各图注意力卷积层之后引入BatchNorm层、Relu激活函数。