CN113310689A - 基于域自适应图卷积网络的航发传动系统故障诊断方法 - Google Patents

Abstract

本公开揭示了一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。

Description

基于域自适应图卷积网络的航发传动系统故障诊断方法

技术领域

本公开属于机械故障诊断领域，具体涉及一种基于域自适应图卷积网络的航发传动系统故障诊断方法。

背景技术

智能诊断在航空发动机传动系统的健康管理系统中扮演着重要的角色，其已经被广泛用于现代工业中，且其主要用途为监视设备状态并减少停机时间。目前，无监督域自适应方法在变工况条件下的机械故障诊断中取得了成功的应用。在无监督域自适应方法中，类标签，域标签和数据结构等三种类型的信息对实现从有标签的源域到无标签的目标域迁移的过程中至关重要。但是，大多数现有的无监督域自适应方法仅使用了前两种信息，而忽略了对数据结构的建模，这使得深度网络提取的特征中包含的信息不完整。因此，需要一种能够将数据结构信息也嵌入所提取特征的模型。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于域自适应图卷积网络的航发传动系统故障诊断方法，通过设计图生成层将卷积神经网络提取的特征转换为关联图数据，再使用图卷积网络对生成的关联图进行建模，从而将数据间的结构信息也嵌入到提取的特征中，使得特征中包含的信息更完整，从而提高了所提取特征的可区分性和模型的鲁棒性。

为实现上述目的，本公开提供以下技术方案：

一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括如下步骤：

S100：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；

S200：构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；

S300：将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。

优选的，步骤S200中，所述域自适应图卷积网络包括：

特征提取器F，所述特征提取器F包括四层卷积神经网络、一个图生成层和两层图卷积网络，所述特征提取器F用于提取源域数据和部分目标域数据的特征值；

故障分类器C，所述故障分类器C包含一个全连接层，所述故障分类器C用于对源域数据所携带的故障类型进行识别；

域鉴别器D，所述域鉴别器D包含三层图卷积层，用于区分源域数据与目标域数据的差异；

数据结构对齐器S，所述数据结构对齐器S包含一个最大均值差异距离估计器，用于对齐源域数据和目标域数据的数据结构。

优选的，所述特征提取器F的表达式为：

且

其中，GConv(·)和Conv(·)分别表示图卷积层运算和卷积运算，GGL(·)表示图生成层，

X分别表示通过图生成层构造的关联图的邻接矩阵和节点特征矩阵。

优选的，所述故障分类器C的表达式为：

C(X)＝aX+b

其中，a和b分别表示全连接层的权重和偏置。

优选的，所述域鉴别器D的表达式为：

D(X_s，X_t)＝Ｃonv(|X_s，X_t|)

其中，X_s和X_t分别表示学习到的源域数据特征和目标域数据特征。|·|表示拼接操作。

优选的，所述数据结构对齐器S的表达式为：

其中，

表示映射函数集，k(·)表示

中的一种映射，m和n分别表示源域数据的和目标域数据的数量，

和

分别表示来自源域和目标域的第i个样本，

和

分别表示来自源域和目标域的第j个样本，s和t分别表示样本来自源域和目标域，i和j分别表示样本在样本集中的位置。

优选的，步骤S200中，对所述域自适应图卷积网络进行训练包括以下步骤：

S201：将带标签的源域数据划分为第一训练样本和第一测试样本，将部分无标签的目标域数据划分为第二训练样本和第二测试样本，将第一训练样本和第二训练样本同时输入特征提取器F中的卷积神经网络进行特征提取，获得源域特征

和目标域特征

S202：将所述源域特征

输入故障分类器C中，获得源域数据故障类别的预测值

并将交叉熵损失作为故障分类损失，所述故障分类损失表示为：

其中，E表示数学期望，CE表示交叉熵损失，

表示源域样本

的标签；

S203：将源域特征

和目标域特征

输入域鉴别器D中，获得每类数据域标签的预测值，记为0或1，在获得域标签后，与真实的域标签计算二分类交叉熵损失，获得域分类损失，所述域分类损失表示为：

其中，Г(·)取0或1，用于指示该类数据属于源域还是目标域；

S204：将源域特征

和目标域特征

输入数据结构对齐器S中，通过MMD距离估计器度量所述源域特征和目标域特征之间的结构差异，获得结构差异损失，所述结构差异损失表示为：

其中，φ(·)表示非线性映射函数，Ω表示通过将提取的特征嵌入到再生核希尔伯特空间来度量此距离，||·||²表示计算欧式距离；

S205：利用所述故障分类损失、域分类损失和结构差异损失构造目标函数，所述目标函数表示为：

L_Total＝L_C+γL_D+κL_MMD

其中，L_Total表示总体目标函数，γ和κ表示平衡系数；

S206：根据所述目标函数更新域自适应图卷积网络的参数，同时重复执行步骤S201至步骤S205，直到达到指定的训练次数，其中，更新域自适应图卷积网络的参数通过下式进行：

其中，

表示微分算子，η表示学习率，θ_F、θ_C和θ_D分别表示特征提取器、故障分类器和域鉴别器的可学习参数，θ′、θ′_C和θ′_D分别表示经过学习更新后的参数，L_Total、L_C和L_D分别表示总体目标函数、故障分类损失和域分类损失；

S207：利用第一测试样本和第二测试样本对训练后的域自适应图卷积网络进行测试。

优选的，在获得源域特征

和目标域特征

后，还需要通过图生成层将所提取的源域特征和目标域特征转换为关联图数据，具体转换过程包括以下步骤：

a、将经卷积神经网络提取的节点特征矩阵X输入故障分类器C的全连接层进行非线性映射；

b、计算故障分类器C的全连接层的输出与输出转置的乘积，获得乘积结果矩阵，并对该矩阵按行进行归一化，获得归一化后的矩阵A；

c、使用Top-k排序机制选择出矩阵A中每行数值最大的前k个值，从而获得邻接矩阵

在获得了图的节点特征矩阵X和邻接矩阵后

则获得了关联图数据。

优选的，所述图生成层的表达式为：

其中，X表示由卷积神经网络提取的节点特征矩阵，MLP(·)表示全连接层，

表示MLP的输出，

表示

的转置，normalize(.)表示归一化，A表示构造的邻接矩阵，Top-k(·)表示逐行返回A的前k个最大值的索引，

为最终获得的邻接矩阵。

优选的，在获得关联图数据后，通过使用图卷积网络对关联图数据进行建模，使得源域和目标域数据间的结构信息嵌入到所提取的源域特征和目标域特征中。

与现有技术相比，本公开带来的有益效果为：

本公开通过对无监督域自适应中包含的类标签，域标签和数据结构信息均进行建模，使得所提取的振动信号特征中包含的信息更加完整，从而减小了源域与目标域数据之间的域差异，提高了特征的可区分性和在目标域数据上的诊断精度。

附图说明

图1是本公开一个实施例提供的一种基于域自适应图卷积网络的航发传动系统故障诊断方法流程图；

图2是本公开另一个实施例提供的域自适应图卷积网络的示意图；

图3是本公开另一个实施例提供的关于图生成层中生成关联图过程的示意图；

图4(a)至图4(c)是本公开另一个实施例提供的关联图数据建模示意图；

图5(a)至图5(d)是本公开另一个实施例提供的不同故障时的振动信号；

图6是本公开另一个实施例提供的不同工况下航空发动机传动系统故障迁移诊断结果的示意图。

具体实施方式

下面将参照附图图1至图6详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。

一个实施例中，如图1所示，一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括如下步骤：

S100：采集航空发动机传动系统在不同转速下的振动信号；

该步骤中，对不同转速下航空发动机传动系统的锥齿轮断齿、锥齿轮磨损、锥齿轮返厂大修和正常状态进行分类。首先，对采集的四种状态的信号进行样本划分，并对划分后的样本打上相应的标签，即0表示断齿，1表示齿轮磨损，2表示返厂大修，3表示正常。在得到相应的训练样本后，对本公开所述的域自适应图卷积网络进行训练。最后，将测试样本输入进训练好的网络中，并输出故障分类器C的预测结果，若输出值为0则表示该故障为断齿，若为1则表示齿轮磨损，若为2则表示返厂大修，若为3则表示正常状态。

S200：构建域自适应图卷积网络，并将有标签的源域数据和部分无标签的目标域数据作为输入数据对所述域自适应图卷积网络进行训练；

该步骤中，一般选取20％的目标域数据对域自适应图卷积网络进行训练，其目的是使特征提取器学会如何有效提取目标域数据中的特征。

S300：将剩余的无标签的目标域数据输入训练好的域自适应图卷积网络，输出故障分类器的预测结果，实现不同转速下航空发动机传动系统的故障迁移诊断。

上述实施例构成了本公开的完整技术方案，通过对无监督域自适应中包含的类标签，域标签和数据结构信息均进行建模，使得所提取的振动信号特征中包含的信息更加完整，从而减小了源域与目标域数据之间的域差异，提高了特征的可区分性和在目标域数据上的诊断精度。

另一个实施例中，步骤S200中，如图2所示，所示域自适应图卷积网络包括：

特征提取器F，所述特征提取器F包括四层卷积神经网络、一个图生成层和两个图卷积层，所述特征提取器F用于提取振动信号特征值；

故障分类器C，所述故障分类器C包含一个全连接层，所述故障分类器C用于对故障进行分类识别；

域鉴别器D，所述域鉴别器D包含三层图卷积层，用于区分源域数据与目标域数据的差异；

数据结构对齐器S，所述数据结构对齐器S包含一个最大均值差异距离估计器，用于对齐源域数据和目标域数据的数据结构。

所述特征提取器F的表达式为：

且

其中，GConv(·)和Conv(·)分别表示图卷积层运算和卷积运算，GGL(·)表示图生成层，

X分别表示通过图生成层构造的关联图的邻接矩阵和节点特征矩阵。

所述故障分类器C的表达式为：

C(X)＝aX+b

其中，a和b分别表示全连接层的权重和偏置。

所述域鉴别器D的表达式为：

D(X_s，X_t)＝Ｃonv(|X_s，X_t|)

其中，X_s和X_t分别表示学习到的源域数据特征和目标域数据特征。|·|表示拼接操作。

所述数据结构对齐器S的表达式为：

其中，

表示映射函数集，k(·)表示

中的一种映射，m和n分别表示源域数据的和目标域数据的数量，

和

分别表示来自源域和目标域的第i个样本，

和

分别表示来自源域和目标域的第j个样本，s和t分别表示样本来自源域和目标域，i和j分别表示样本在样本集中的位置。

另一个实施例中，步骤S200中，对所述域自适应图卷积网络进行训练包括以下步骤：

S201：将带标签的源域数据划分为第一训练样本和第一测试样本，将部分无标签的目标域数据划分为第二训练样本和第二测试样本，将第一训练样本和第二训练样本同时输入特征提取器F中的卷积神经网络进行特征提取，获得源域特征

和目标域特征

S202：将所述源域特征

输入故障分类器C中，获得源域数据故障类别的预测值

并将交叉熵损失作为故障分类损失，所述故障分类损失表示为：

其中，E表示数学期望，CE表示交叉熵损失，

表示源域样本

的标签；

S203：将源域特征

和目标域特征

输入域鉴别器D中，获得每类数据域标签的预测值，记为0或1，在获得域标签后，与真实的域标签计算二分类交叉熵损失，获得域分类损失，所述域分类损失表示为：

其中，Γ(·)取0或1，用于指示该类数据属于源域还是目标域；

S204：将源域特征

和目标域特征

输入数据结构对齐器S中，通过MMD距离估计器度量所述源域特征和目标域特征之间的结构差异，获得结构差异损失，所述结构差异损失表示为：

其中，φ(·)表示非线性映射函数，Ω表示通过将提取的特征嵌入到再生核希尔伯特空间来度量此距离，||·||²表示计算欧式距离；

S205：利用所述故障分类损失、域分类损失和结构差异损失构造目标函数，所述目标函数表示为：

L_Total＝L_C+γL_D+κL_MMD

其中，L_Total表示总体目标函数，γ和κ表示平衡系数；

S206：根据所述目标函数更新域自适应图卷积网络的参数，同时重复执行步骤S201至步骤S205，直到达到指定的训练次数，其中，更新域自适应图卷积网络的参数通过下式进行：

其中，

表示微分算子，η表示学习率，θ_F、θ_Ｃ和θ_D分别表示特征提取器、故障分类器和域鉴别器的可学习参数，θ′、θ′_C和θ′_D分别表示经过学习更新后的参数，L_Total、L_C和L_D分别表示总体目标函数、故障分类损失和域分类损失。

该步骤中，设参数θ_F的初始值为1，学习率为0.001，根据总体目标函数对参数θ_F求偏导得到

值为3，则根据上式可获得θ_F更新后的值为0.997。

S207：利用第一测试样本和第二测试样本对训练后的域自适应图卷积网络进行测试。

该步骤中，对域自适应图卷积网络的性能通过总体精度指标进行评价，评价方法为：总的分类正确的样本数除以总样本数。

若测试过程中总体精度指标低于设定值，则需要增加训练样本数量重新对模型进行训练，直至指标达到设定值。

另一个实施例中，在获得源域特征和目标域特征后，还需要通过图生成层将所提取的源域特征和目标域特征转换为关联图数据，如图3所示，具体转换过程包括以下步骤：

a、将经卷积神经网络提取的节点特征矩阵X输入进全连接层进行非线性映射；

b、计算全连接层的输出与输出转置的乘积，获得乘积结果矩阵，并对该矩阵按行进行归一化，获得归一化后的矩阵A；

c、使用Top-k排序机制选择出矩阵A中每行数值最大的前k个值，从而获得邻接矩阵

在获得了图的节点特征矩阵X和邻接矩阵后

则获得了关联图数据。

本实施例中，所述图生成层的表达式为：

其中，X表示由卷积神经网络提取的节点特征矩阵，MLP(·)表示全连接层，

表示MLP的输出，

表示

的转置，normalize(·)表示归一化，A表示构造的邻接矩阵，Top-k(·)表示逐行返回A的前k个最大值的索引，

为最终获得的邻接矩阵。

另一个实施例中，在获得关联图数据后，通过图卷积网络对关联图数据进行建模，使得源域和目标域数据间的结构信息嵌入到所提取的源域特征和目标域特征中。

本实施例中，如图4(a)至图4(c)所示，通过图卷积网络对关联图数据进行建模包括以下步骤：

a、如图4(a)所示，确定每次卷积时聚合邻域节点的范围，K＝1表示聚合邻域节点的范围为离中心节点距离为1的节点；

b、如图4(b)所示，每个节点迭代的聚合与其距离为1的节点信息，直到到达指定的训练次数；

c、如图4(c)所示，将学习到节点特征输出，便可将其用于节点分类与故障诊断。

在一个具体实施例中，将采集的4种转速下的振动信号分别编号为0，1，2和3，其中，如图5(a)所示，0表示正常状态；如图5(b)所示，1表示表面磨损；如图5(c)所示，2表示断齿；如图5(d)所示3表示小端崩坏。将任意两种不同工况下采集的数据中的一组作为源域数据并打上标签，而另一组作为无标签的目标域数据，则一共可进行12种迁移诊断任务。实验时，除了所述的域自适应图卷积网络(DAGCN)还比较了5种现有的方法，即卷积神经网络(CNN)、最大均值差异方法(MMD)、关系对齐方法(CORAL)、域自适应网络(DANN)和条件域自适应网络(CDANN)，实验结果如表1所示。

表1

图6是本公开在不同转速下航空发动机传动系统故障迁移诊断结果的示意图。

从表1和图6的结果可以发现，所述的域自适应图卷积网络在各个迁移任务中取得的诊断结果的平均值为78.81％，优于所有对比方法，且其能够在各个迁移任务中均取得最好的诊断效果。这说明该模型能够学习到具有域不变特性的特征，从而实现航空发动机传动系统在不同工况下的有效迁移诊断。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

Claims (10)

1.一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括如下步骤：

S100：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；

S200：构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；

S300：将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。

2.根据权利要求1所述的方法，其中，优选的，步骤S200中，所述域自适应图卷积网络包括：

特征提取器F，所述特征提取器F包括四层卷积神经网络、一个图生成层和两层图卷积网络，所述特征提取器F用于提取源域数据和部分目标域数据的特征值；

故障分类器C，所述故障分类器C包含一个全连接层，所述故障分类器C用于对源域数据所携带的故障类型进行识别；

域鉴别器D，所述域鉴别器D包含三层图卷积层，用于区分源域数据与目标域数据的差异；

数据结构对齐器S，所述数据结构对齐器S包含一个最大均值差异距离估计器，用于对齐源域数据和目标域数据的数据结构。

3.根据权利要求2所述的方法，其中，所述特征提取器F的表达式为：

且

其中，GConv(·)和Conv(·)分别表示图卷积层运算和卷积运算，GGL(·)表示图生成层，

X分别表示通过图生成层构造的关联图的邻接矩阵和节点特征矩阵。

4.根据权利要求2所述的方法，其中，所述故障分类器C的表达式为：

C(X)＝aX+b

其中，a和b分别表示全连接层的权重和偏置。

5.根据权利要求2所述的方法，其中，所述域鉴别器D的表达式为：

D(X_s，X_t)＝Conv(|X_s，X_t|)

其中，X_s和X_t分别表示学习到的源域数据特征和目标域数据特征，|·|表示拼接操作。

6.根据权利要求2所述的方法，其中，所述数据结构对齐器S的表达式为：

其中，

表示映射函数集，k(·)表示

中的一种映射，m和n分别表示源域数据的和目标域数据的数量，

和

分别表示来自源域和目标域的第i个样本，

和

分别表示来自源域和目标域的第j个样本，s和t分别表示样本来自源域和目标域，i和j分别表示样本在样本集中的位置。

7.根据权利要求2所述的方法，其中，步骤S200中，对所述域自适应图卷积网络进行训练包括以下步骤：

S201：将带标签的源域数据划分为第一训练样本和第一测试样本，将部分无标签的目标域数据划分为第二训练样本和第二测试样本，将第一训练样本和第二训练样本同时输入特征提取器F中的卷积神经网络进行特征提取，获得源域特征

和目标域特征

S202：将所述源域特征

输入故障分类器C中，获得源域数据故障类别的预测值

并将交叉熵损失作为故障分类损失，所述故障分类损失表示为：

其中，E表示数学期望，CE表示交叉熵损失，

表示源域样本

的标签；

S203：将源域特征

和目标域特征

输入域鉴别器D中，获得每类数据域标签的预测值，记为0或1，在获得域标签后，与真实的域标签计算二分类交叉熵损失，获得域分类损失，所述域分类损失表示为：

其中，Γ(·)取0或1，用于指示该类数据属于源域还是目标域；

S204：将源域特征

和目标域特征

输入数据结构对齐器S中，通过MMD距离估计器度量所述源域特征和目标域特征之间的结构差异，获得结构差异损失，所述结构差异损失表示为：

其中，φ(·)表示非线性映射函数，Ω表示通过将提取的特征嵌入到再生核希尔伯特空间来度量此距离，||·||²表示计算欧式距离；

S205：利用所述故障分类损失、域分类损失和结构差异损失构造目标函数，所述目标函数表示为：

L_Total＝L_C+γL_D+κL_MMD

其中，L_Total表示总体目标函数，γ和κ表示平衡系数；

S206：根据所述目标函数更新域自适应图卷积网络的参数，同时重复执行步骤S201至步骤S205，直到达到指定的训练次数，其中，更新域自适应图卷积网络的参数通过下式进行：

其中，

表示微分算子，η表示学习率，θ_F、θ_C和θ_D分别表示特征提取器、故障分类器和域鉴别器的可学习参数，θ′、θ′_C和θ′_D分别表示经过学习更新后的参数，L_Total、L_C和L_D分别表示总体目标函数、故障分类损失和域分类损失；

S207：利用第一测试样本和第二测试样本对训练后的域自适应图卷积网络进行测试。

8.根据权利要求7所述的方法，其中，在获得源域特征

和目标域特征

后，还需要通过图生成层将所提取的源域特征和目标域特征转换为关联图数据，具体转换过程包括以下步骤：

a、将经卷积神经网络提取的节点特征矩阵X输入故障分类器C的全连接层进行非线性映射；

b、计算故障分类器C的全连接层的输出与输出转置的乘积，获得乘积结果矩阵，并对该矩阵按行进行归一化，获得归一化后的矩阵A；

c、使用Top-k排序机制选择出矩阵A中每行数值最大的前k个值，从而获得邻接矩阵

在获得了图的节点特征矩阵X和邻接矩阵后

则获得了关联图数据。

9.根据权利要求8所述的方法，其中，所述图生成层的表达式为：

其中，X表示由卷积神经网络提取的节点特征矩阵，MLP(·)表示全连接层，

表示MLP的输出，

表示

的转置，normalize(·)表示归一化，A表示构造的邻接矩阵，Top-k(·)表示逐行返回A的前k个最大值的索引，

为最终获得的邻接矩阵。

10.根据权利要求8所述的方法，其中，在获得关联图数据后，通过使用图卷积网络对关联图数据进行建模，使得源域和目标域数据间的结构信息嵌入到所提取的源域特征和目标域特征中。

Images