基于FSASCA-VMD与GraphSAGE-SA的转子-轴承故障诊断方法

本发明属于旋转机械故障诊断领域，设计一种转子-轴承故障诊断方法，具体涉及一种基于正余弦算法的改进未来函数优化问题搜索算法(fsasca)-变分模态分解(vmd)与图采样与聚合及自注意力机制(graphsage-sa)相结合的转子轴承故障诊断方法。

背景技术：

1、燃气轮机作为一种优秀的能源动力装备，跟传统动力机械相比，具有体积小重量轻、功率大、机动性强和可快速更换等优点。转子-轴承系统作为燃气轮机的关键部件，其正常运行是对燃气轮机是至关重要的。转子-轴承系统通常在恶劣的工作环境中运行，极易导致部件出现各种故障。例如轴承的内圈、外圈、滚动体和保持架故障，甚至是这几类故障的复合。又因为加工时的误差或安装时造成的偏移，导致转子出现了不平衡、不对中等故障。因此，在发生故障时准确识别故障类型，针对故障进行重点检查，以便提前安排维修计划，防止意外停机，对燃气轮机稳定有效的运行是十分重要的。

2、由于转子-轴承工作环境复杂，信号采集过程中的外部干扰因素很多。振动信号通过设备采集时常常会夹杂着相当多的噪声，而机械设备的性能和设备健康预测会因为噪声的原因变得很棘手。为了有效缓解噪声在信号处理时带来的麻烦，对含噪信号进行降噪就显得尤为重要。信号一般采用传感器采集，而传感器采集的原始信号一般时具有非线性等特点。因此选择合适的降噪方法进行有效的降噪也是至关重要的。目前比较常用的降噪方法有小波分解(wavelet decomposition)、经验模态分解(empirical modedecomposition，emd)、集成经验模态分解(ensemble empirical mode decomposition，eemd)、互补集合经验模态分解(complementary ensemble empirical modedecomposition，ceemd)和变分模态分解(variational mode decomposition，vmd)等。xi等人在加权排列熵的基础上利用小波分解和极限学习机对滚动轴承振动信号进行故障诊断，分类效果特别明显。liu等人在多尺度一维卷积神经网络的基础上利用稀疏小波进行特征提取，在与其他轴承故障诊断方法对比中占据优势。jiang等人利用小波包分解方法分别处理原始信号得到低频和高频部分，低频部分用系数自编码器提取反映故障特征参数，高频部分用奇异值分解得到不一致性的特征参数，有效的进行了锂电池的故障诊断。但是小波分解需要设定基函数，这就使得小波变换的应用变得有局限，而emd有效解决了基函数无自适应的问题。hu等人提出一种基于可调包络的emd方法应用于滚动轴承故障诊断，将包络拟合方法替换为有理hermite插值，使得emd方法具备了更好的特征提取能力。niu等人在emd基础上，利用循环平稳、谱峰度和两相测试样本稀疏表示进行故障诊断，将训练样本和测试样本输入到分类器中可以准确的进行故障分类。wang等人提出了一种称为emd流形的噪声辅助方法用于故障诊断，经过齿轮箱和轴承故障的实验验证，有效证明了该方法的优越性。但是emd存在着模态混叠和端点效应的问题，而eemd通过多次emd，且叠加高斯白噪声的操作，有效抑制了模态混叠的问题。wang等人在eemd的基础上利用统计距离分析的方法进行故障诊断，该方法不仅能有效的自动故障诊断，且适用于小样本数据。zou等人提出了一种基于eemd和lstm结合的滚动轴承故障诊断方法，该方法可以在不丢失关键信息的情况下，有效去除噪声信息并进行预处理。chen等人提出了一种基于eemd和调整mahalanobis-taguchi的滚动轴承故障诊断和健康评估模型，通过实验验证，该方法能准确有效的识别故障类型。但eemd存在着重构误差大、分解完备性查的问题，ceemd通过加入正负成对的辅助白噪声来有效解决这些问题。gao等人提出了一种基于自适应修正ceemd的方法结合一维卷积神经网络用于故障诊断，两次实验均验证了该方法的分类精度高于其他方法。xiao等人集合了ceemd、能量熵、麻雀搜索算法和概率神经网络对滚动轴承进行故障诊断，实验结果表明该方法能够准确识别滚动轴承的不同故障状态。gu等人提出了一种将ceemd与基于ceemd算法的信号随机性检测的优点相结合的cpceemd，经对比分析验证了该方法具有良好的分解效果。但ceemd存在着最后平均结果难以对齐的问题，vmd将上述问题转变为变分问题来有效解决上述方法的不足。li等人提出了一种基于频带熵的方法来选择vmd的最优imf，最后选定的imf经过包络功率谱分析，验证了优化方法的可行性和优越性。cui等人将vmd和最大相关峰态反卷积结合用于轴承滚动体的故障诊断，经过实验验证该方法可以获得较好的故障精度。miao等人设计了一种面向稀疏性的新型vmd，并将其引入了编码器信号分析领域，可有效应用于抑制噪声并增强故障脉冲，通过行星齿轮箱台架的仿真和实验验证了该方法的可行性和有效性。但vmd两个参数分解层数和惩罚因子的取值也存在着问题，其数值的过大或者过小都会对分解效果产生一定的影响。因此，合适的参数选择对于后续的研究也是十分关键的。为了合理的对分解层数和惩罚因子进行取值，提出相应的fsasca(future search algorithm based on sine cosine algorithm)方法，该方法可以有效的防止vmd出现模态混叠和端点效应的问题。

3、近些年来随着信息技术的进步，基于神经网络的故障诊断方法逐渐成为研究的热点。以神经网络为核心的智能诊断方法引领了故障诊断和预测性维护方面工业化创新应用的热潮。目前常用的神经网络模型有多层感知机(multilayer perceptron，mlp)、切比雪夫多项式近似图卷积核(chebyshev polynomial graph convolution network，chebynet)、图注意力网络(graph attention network，gat)、图卷积神经网络(graph convolutionalnetwork，gcn)、graphsage(graph sample and aggreate)等。senanayaka等人利用mlp和卷积神经网络的结合对变速箱进行混合故障诊断，对比研究表明单个mlp和cnn算法的准确性和鲁棒性优于其他对比方法。hou等人在mlp的基础上利用改进的遗传算法对船用柴油机汽缸进行故障诊断，通过实验验证了该方法可有效识别汽缸的十个常见故障。wang等人通过mlp、长短期记忆和卷积神经网络的结合对化学过程进行智能故障诊断，该方法使最终提取的特征同时具有了空间和时间的特征，从而提高了诊断性能。mlp有着占用大量训练资源、易陷入局部最优解、对模型不具备可解释性等与传统神经网络类似的缺点。而chebynet的拉普拉斯谱分解造成其占用了大量资源，学习参数量的确定使得该方法难以普遍使用，因此许多学者把该方法只作为了对比方法。但大多数传统方法极易忽略数据之间相互依赖的关系，因此，图神经网络相关方法应运而生。zhang等人提出了一种用于大型旋转机械故障诊断的多传感器多头gat，该方法可以有效进行动态融合和挖掘高级故障。man等人在残差挤压网络模型的基础上利用gat进行空间信息融合和特征提取，实验结果表明了该方法在应用于小规模数据集时具有很强的鲁棒性。tang等人提出了一种基于半监督条件随机场的gat网络模型用于故障诊断和状态检测，该方法在训练样本很低的情况下能达到很高的准确率，表明了该方法的有效性。gat的计算量因多头注意力而增加，对不同类型图数据的适应性有限，且容易出现过拟合的问题。sun等人提出了一种具有多通道残差网络的多尺度聚类gcn用于机器故障诊断，该方法即使在可变负载条件下也能获得比其他方法更高的诊断结果。xu等人将过平滑浮雕gcn和欧氏距离、结构分析相结合运用于高速列车的整流器故障诊断中，经过实验验证了该方法优于现有的故障诊断方法。miao等人提出了一种基于先验知识和时空差分gcn的故障诊断方法，该方法用差异层对局部特征进行增强，有效的实现了对轮式机器人的故障诊断。gcn因不能应用于大图而使得其拓展性差，聚合方式只是简单的“求平均”使其分类效果不能满足实际要求。zhang等人提出了一种居于一维卷积神经网络和graphsage结合的故障诊断方法，该方法可以在不平衡的情况下有效实现对高速列车制动摩擦的故障诊断。seon等人]将对比编码器应用到graphsage中来进行故障诊断，该方法经过仿真结果的验证证明了可以高效的应用于工业物联网系统中的故障诊断。feng等人将k最近邻方法应用到graphsage中进行无监督的故障诊断，该方法不仅在公开数据集中的表现优于其他方法，而且还能在少数标记样本的情况下实现准确的诊断。graphsage可以不输出整张图，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。但是该方法在聚合节点的邻居信息时并未考虑不同邻居的重要性，因此本文将着重考虑如何有效解决该问题。

技术实现思路

1、为了提高转子-轴承在故障诊断中的降噪效果及分类精度，本文提供了一种基于fsasca-vmd与graphsage-sa的转子-轴承故障诊断方法。针对于传统emd信号分解过程中出现的模态混叠以及端点效应问题，vmd采用经典的维纳滤波、希尔伯特变换以及频率混合为基础，在非递归模式下分解信号，自主选择模态个数，解决了模态混叠及端点效应的现象。使用fsasca算法对vmd分解中所产生的两个关键参数进行全局寻优，提高分解的可靠性，使得模型可以对信号达到更好的分解效果。最后，在非欧领域内，构建图任务的graphsage-sa转子-轴承系统故障诊断框架，探究不同拓扑结构、不同数据类型及超参数对网络模型的影响，同时挖掘内部节点之间的规律性，分析图与图之间的相似性和差异性，有效地识别转子-轴承系统的故障。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于fsasca-vmd与graphsage-sa的转子-轴承故障诊断方法，包括如下步骤：

4、步骤一、基于fsasca-vmd的信号分解与重构

5、通过fsasca算法对vmd进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使vmd完成分解。对于分解后存在的不需要的imf分量，采用累计峭度占比的方法对imf分量进行重构，完成信号降噪。

6、步骤二、基于graphsage-sa的转子-轴承系统故障诊断方法

7、针对于原始数据处理停留在欧式距离的数据结构上，且深度学习的方法缺乏可解释性，提出了graphsage算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，进而对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用softmax对其进行归一化来获得注意力权重。

8、相比于现有技术，本发明具有如下的优势：

9、1.运用vmd分解的方法有效的避免了信号分解过程中的模态混叠和端点效应问题，对于分解过程中出现的模态分量k和惩罚因子α确定的问题，利用fsasca算法对vmd算法的参数选取进行自适应优化，不仅去除了信号中的噪声分量，还有效保留故障特征信息。通过对比其他算法对vmd的优化效果，分析验证fsasca-vmd的有效性与优越性。

10、2.对于降噪后的数据，graphsage-sa模型方法的提出，能有效的解决图卷积神经网络的局限性。更好的学习了节点信息是怎么通过邻居节点的特征聚合而来的，从而得到聚合函数，同时在加入新节点或者更新节点时不需要重新训练模型即可获得新节点的特征，有效的挖掘内部节点之间的规律性。选用基于自注意力的聚合方式能充分考虑到不同节点对中心节点的影响，可以给更重要的信息分配更大的权重，也可以获取时间序列的全局特征，使得此方法比平均聚合等聚合方法进行更有效的取舍。通过与mlp、chebynet、gat、gcn和graphsage模型相比，graphsage-sa迭代收敛速度更快，模型更加稳定。采用路图的拓扑结构考虑了节点和节点之间的关系，在图级故障诊断中，采用graphsage-sa模型可以获得更好的结果。