技术特征：
1.一种基于多感受域gcn的水电机组故障诊断方法，其特征在于，包括：(1)获取水电机组待诊断期间的振动数据，按照振动周期划分为多个待测振动样本，得到待诊断振动样本集；(2)构建待诊断振动样本集对应的图结构数据，具体过程为：(2.1)将每个振动样本抽象为节点；(2.2)计算每个振动样本的时域特征和频域特征，作为该节点的属性；(2.3)计算两两振动样本之间的相关度，若相关度低于失效阈值，则这两个振动样本之间不存在边，否则，这两个振动样本之间存在边，且相关度作为边的权重；(3)将待诊断振动样本集对应的图结构数据输入至训练好的多感受域图卷积网络模型，得到每个待测振动样本的故障诊断结果；所述多感受域图卷积网络模型的训练过程为：获取水电机组历史振动数据，按照振动周期划分为多个振动样本，标注各振动样本的故障类型，得到训练振动样本集；构建训练振动样本集对应的图结构数据；采用训练振动样本集对应的图结构数据训练多感受域图卷积网络模型，得到训练好的多感受域图卷积网络模型。2.如权利要求1所述的方法，其特征在于，所述计算每个振动样本的时域特征具体如下：下：下：下：p5＝max(x(n))＝max(x(n))＝max(x(n))＝max(x(n))
其中，x(n)表示时序信号，即水电机组振动的原始数据，n表示该振动样本内数据点的数量。3.如权利要求1所述的方法，其特征在于，所述计算每个振动样本的频域特征具体如下：下：下：下：下：下：下：下：下：下：下：下：
其中，s(k)表示振动样本fft变换后频谱的第k个值，k表示频谱线的数量，f(k)表示第k条谱线的频率值。4.如权利要求1所述的方法，其特征在于，计算两两振动样本之间的相关度具体如下：其中，a
ij
表示第i个振动样本与第j个振动样本之间的相关度，f
i
表示第i个振动样本的频谱，cos()表示余弦值计算函数，ε表示边失效阈值。5.如权利要求1至4任一项所述的方法，其特征在于，所述多感受域图卷积网络模型包括：第一图卷积层，用于从图结构数据中提取第一感受域图卷积特征；第二图卷积层，用于从经过relu的第一感受域图卷积特征中提取第二感受域图卷积特征；拼接层，用于拼接图结构数据节点特征、第一感受域图卷积特征、第二感受域图卷积特征，得到拼接特征；dense全连接层，用于接收经过relu的拼接特征，进行全连接；softmax分类器，用于接收relu后的全连接特征，输出每种故障可能出现的概率。6.如权利要求5所述的方法，其特征在于，第一图卷积层的输出为第二图卷积层的输出为其中，其中，x1表示第一图卷积层的输出向量，x0表示第一图卷积层的输入向量，w0表示第一图卷积层的权重，表示中间变量，x2表示第二图卷积层的输出向量，w1表示第二图卷积层的权重，表示附加节点自连接的邻接矩阵，表示附加自连接的度矩阵，a表示图结构数据的邻接矩阵，i
n
表示单位矩阵。7.一种基于多感受域gcn的水电机组故障诊断系统，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机程序或指令；所述处理器用于执行存储器中的所述计算机程序或指令，使得权利要求1至6中任一项所述的方法被执行。
技术总结
本发明公开了一种基于多感受域GCN的水电机组故障诊断方法和系统，属于水电机组故障诊断技术领域。本发明通过构建图结构数据，将振动样本抽象为节点，振动样本的时域特征和频域特征作为节点的属性，将相关度高的振动样本之间抽象为边，相关度作为边的权重，最大程度上利用有限振动样本中的信息。并提出一种多感受域图卷积网络模型，有效处理图结构数据，利用样本之间的相关信息，将不同感受域的特征结合起来，进一步提升了样本特征的质量，从而有效地提升水电机组故障诊断精度和实时性。地提升水电机组故障诊断精度和实时性。地提升水电机组故障诊断精度和实时性。
技术研发人员：李超顺 肖湘曲 邓友汉 黄洁 余甜 何鸿翔 袁成建
受保护的技术使用者：华中科技大学
技术研发日：2022.07.13
技术公布日：2022/10/25