CN115329906B - 一种基于图正则化网络的故障诊断方法及装置 - Google Patents
一种基于图正则化网络的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115329906B CN115329906B CN202211250601.9A CN202211250601A CN115329906B CN 115329906 B CN115329906 B CN 115329906B CN 202211250601 A CN202211250601 A CN 202211250601A CN 115329906 B CN115329906 B CN 115329906B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- graph
- node
- labeled
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000012512 characterization method Methods 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图正则化网络的故障诊断方法及装置，其方法包括：获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式。
Description
技术领域
本发明涉及故障诊断技术领域，特别涉及一种基于图正则化网络的故障诊断方法及装置。
背景技术
故障诊断技术能够有效识别产品的健康状态，从而为后续的维修保障提供信息支持。近年来，随着人工智能与大数据技术的发展，基于数据驱动的故障诊断技术已成为当前的研究热点。
现有的故障诊断技术一般基于各个故障模式下有标签的数据开展模型训练，利用构建完成的模型实现故障模式识别。在产品运行周期中，虽然能够积累大量的运行监测样本，但是由于缺乏有效的数据管理和数据分析，同时存在数据标注成本高等问题，导致大部分数据处于数据标签缺失的状态，即监测样本所对应的故障状态未知。
在产品实际运行场景中，其数据条件通常为大量无标签样本和极少量有标签样本，称之为弱监督条件。由于大量监测样本为无标签样本，若只利用极少数的有标签样本训练故障诊断模型，无法构建良好的诊断模型，也就无法取得高精度的故障诊断结果。
发明内容
根据本发明实施例提供的方案解决的技术问题是由于大量监测样本为无标签样本，若只利用极少数的有标签样本训练故障诊断模型，无法构建良好的诊断模型，也就无法取得高精度的故障诊断结果。
根据本发明实施例提供的一种基于图正则化网络的故障诊断方法
获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；
从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；
建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；
利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；
其中，所述N和M均为正整数，且N小于M。
优选地，所述弱监督训练样本集的关联图包括节点集合V、边集合E、关系矩阵A以及节点特征矩阵F；其中，所述构建所述弱监督训练样本集的关联图包括：
以所述弱监督训练样本集中每个训练样本作为节点，构建关联图的节点集合V；
以所述弱监督训练样本集中每个训练样本的监测参数作为节点特征，构建关联图的节点特征矩阵F；
根据所述关联图的节点集合V中的每个节点，获取与所述每个节点距离度量值最小的K个节点，通过在所述每个节点与所述K个节点之间分别增加1条边，得到所述每个节点的K条边，并将所述每个节点的K条边添加到关联图的边集合E中，同时分别将所述节点与所述K个节点之间的距离度量值设置为关联图的关系矩阵A中的对应元素值。
优选地，所述从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图包括：
根据所述关联图中的关系矩阵A和每个有标签样本的节点，选取与所述每个有标签样本相似度最高的K个无标签样本的节点；
通过将所述关联图中的每个有标签样本的节点、K个无标签样本的节点、节点特征矩阵、节点间的边以及节点间的关系矩阵进行抽取，得到包含每个有标签训练样本的N个关联子图。
优选地，所述基于图正则化网络的故障诊断模型包括全连接层模块、主成分分析PCA模块以及Softmax模块。
优选地，所述利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型包括：
利用所述全连接层模块，分别对节点特征矩阵进行非线性变换，得到一个有标签样本故障表征向量和K个无标签样本的故障表征向量；
利用所述PCA模块，分别将所述一个有标签样本故障表征向量和所述K个无标签样本的故障表征向量进行降维处理，得到有标签二维向量和无标签二维向量；
通过计算所述有标签二维向量与所述无标签二维向量之间的关系损失和所述有标签样本的分类损失，得到所述基于图正则化网络的故障诊断模型的整体损失；
利用所述整体损失进行反向传播，得到训练后的基于图正则化网络的故障诊断模型。
优选地，所述计算所述有标签二维向量与所述无标签二维向量之间的关系损失包括：
计算所述有标签二维向量与所述无标签二维向量之间的L2范数，并将所述L2范数作为关系损失，其计算公式为：
其中，
为多层全连接层的非线性表征函数，
为有标签样本，
为无标签样本；
为L2范数。
优选地，所述计算所述有标签样本的分类损失包括：
利用所述Softmax模块对所述一个有标签样本故障表征向量进行Softmax函数处理后，计算交叉熵函数，并将所述交叉熵函数作为分类损失，其计算公式如下：
其中，
为有标签样本的真实标签，
为模型输出的预测标签，
为交叉熵函数。
优选地，所述基于图正则化网络的故障诊断模型的整体损失包括：
其中，w为控制图正则化比例的权重。
优选地，所述利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式包括：
利用所述训练后的基于图正则化网络的故障诊断模型中的全连接层模块对所述弱监督测试样本集进行处理，获取故障表征向量；
利用所述训练后的基于图正则化网络的故障诊断模型中的Softmax模块对所述故障表征向量进行处理，识别出所述弱监督测试样本集的故障模式。
根据本发明实施例提供的一种基于图正则化网络的故障诊断装置，包括：
构建模块，用于获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；
抽取模块，用于从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；
训练模块，用于建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；
故障诊断模块，用于利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；
其中，所述N和M均为正整数，且N小于M。
根据本发明实施例提供的方案，具有以下效果：
（1）面向弱监督样本集完成了关联图的构建，建立了基于图正则化网络的故障诊断模型，实现了有标签样本和大量无标签样本的高效利用，为弱监督条件下的故障诊断提供了一种新的解决思路；
（2）结合距离度量函数和K近邻算法，有效地实现了有标签数据和无标签数据间的关系表征，为后续基于图正则化网络的故障诊断模型提供支持；
（3）在传统有监督学习的基础上，通过图正则化方法，将关系损失和分类损失相结合，有效地利用了有标签样本和无标签样本间的关系，约束了故障诊断模型的优化方向，改善了故障诊断模型的能力；
（4）经过仿真数据验证，与传统的有监督学习方法相比，能够有效地提升弱监督条件下的故障诊断精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种基于图正则化网络的故障诊断方法的流程图；
图2是本发明实施例提供的一种基于图正则化网络的故障诊断装置的示意图；
图3是本发明实施例提供的弱监督条件下基于图正则化网络的故障诊断方法的流程图；
图4是本发明实施例提供的基于图正则化网络的故障诊断模型示意图；
图5是本发明实施例提供的构建完成的关联图示意图；
图6是本发明实施例提供的不同方法故障诊断结果的对比示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1是本发明实施例提供的一种基于图正则化网络的故障诊断方法的流程图，如图1所示，包括：
步骤S101：获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；
步骤S102：利用所述关联图和所述N个有标签训练样本，构建N个关联子图；
步骤S103：建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；
步骤S104：利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；其中，所述N和M均为正整数，且N小于M。
进一步地，所述弱监督训练样本集的关联图包括节点集合V、边集合E、关系矩阵A以及节点特征矩阵F；其中，所述构建所述弱监督训练样本集的关联图包括：以所述弱监督训练样本集中每个训练样本作为节点，构建关联图的节点集合V；以所述弱监督训练样本集中每个训练样本的监测参数作为节点特征，构建关联图的节点特征矩阵F；根据所述关联图的节点集合V中的每个节点，获取与所述每个节点距离度量值最小的K个节点，通过在所述每个节点与所述K个节点之间分别增加1条边，得到所述每个节点的K条边，并将所述每个节点的K条边添加到关联图的边集合E中，同时分别将所述节点与所述K个节点之间的距离度量值设置为关联图的关系矩阵A中的对应元素值。
进一步地，所述从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图包括：根据所述关联图中的关系矩阵A和每个有标签样本的节点，选取与所述每个有标签样本相似度最高的K个无标签样本的节点；通过将所述关联图中的每个有标签样本的节点、K个无标签样本的节点、节点特征矩阵、节点间的边以及节点间的关系矩阵进行抽取，得到包含每个有标签训练样本的N个关联子图。
进一步地，所述基于图正则化网络的故障诊断模型包括全连接层模块、主成分分析PCA模块以及Softmax模块。
进一步地，所述利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型包括：利用所述全连接层模块，分别对节点特征矩阵进行非线性变换，得到一个有标签样本故障表征向量和K个无标签样本的故障表征向量；利用所述PCA模块，分别将所述一个有标签样本故障表征向量和所述K个无标签样本的故障表征向量进行降维处理，得到有标签二维向量和无标签二维向量；通过计算所述有标签二维向量与所述无标签二维向量之间的关系损失和所述有标签样本的分类损失，得到所述基于图正则化网络的故障诊断模型的整体损失；利用所述整体损失进行反向传播，得到训练后的基于图正则化网络的故障诊断模型。
进一步地，所述计算所述有标签二维向量与所述无标签二维向量之间的关系损失包括：计算所述有标签二维向量与所述无标签二维向量之间的L2范数，并将所述L2范数作为关系损失，其计算公式为：
其中，
为多层全连接层的非线性表征函数，
为有标签样本，
为无标签样本；
为L2范数。
进一步地，所述计算所述有标签样本的分类损失包括：利用所述Softmax模块对所述一个有标签样本故障表征向量进行Softmax函数处理后，计算交叉熵函数，并将所述交叉熵函数作为分类损失，其计算公式如下：
其中，
为有标签样本的真实标签，
为模型输出的预测标签，
为交叉熵函数。
进一步地，所述基于图正则化网络的故障诊断模型的整体损失包括：
其中，w为控制图正则化比例的权重。
进一步地，所述利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式包括：利用所述训练后的基于图正则化网络的故障诊断模型中的全连接层模块对所述弱监督测试样本集进行处理，获取故障表征向量；利用所述训练后的基于图正则化网络的故障诊断模型中的Softmax模块对所述故障表征向量进行处理，识别出所述弱监督测试样本集的故障模式。
图2是本发明实施例提供的一种基于图正则化网络的故障诊断装置的示意图，如图2所示，构建模块201，用于获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；抽取模块202，用于从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；训练模块203，用于建立基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型；故障诊断模块204，用于利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；其中，所述N和M均为正整数，且N小于M。
弱监督条件下基于图正则化网络的故障诊断方法流程如图3所示，具体流程可总结为以下四步。
第一步：面向弱监督样本集的关联图构建
假设产品的弱监督样本集共包括C类故障模式，每类故障模式下包括
个有标签样本和
个无标签样本，弱监督样本集包括的训练样本总数为
，且
，P称为有标签样本比例。样本的监测参数记为
，其中
为第i个样本的监测参数。一般地，当
时称为弱监督条件，即上述训练样本集为弱监督样本集。
面向上述弱监督样本集，采用K近邻图方法来实现关联图的构建，即针对每个样本选取距离度量最近的K个样本构建关联图。具体步骤如下：
步骤11：以每个样本为节点，构建节点集合
，节点数量为
；
步骤12：以各个样本的监测参数为节点特征，全体样本的监测参数构建节点特征矩阵F，即样本监测参数X；
步骤13：初始化边集合E为空集，关系矩阵
中的每个元素为0。
步骤14：针对全体样本，分别计算各个样本与其他样本间的节点特征的距离度量值，获得距离矩阵
，距离矩阵中的元素
，其中distance为距离度量，常见的距离度量算法包括欧式距离、余弦距离、马氏距离等。
步骤15：设定关联图参数值K，即选取距离最近的K个节点开展关联图的构建。
步骤16：随机选取1个节点，基于距离矩阵D，选取与当前节点距离度量值最小的K个节点，在当前节点与这K个节点间分别增加1条边，共计添加K条边到边集合E，同时分别将当前节点与上述K个节点间的距离度量值设置为关系矩阵A中对应的元素值，即
。
步骤17：针对全部N个节点重复步骤16，更新边集合E和关系矩阵A。在此过程中，若两个节点间的边已存在，则不再向边集合E中增加新的元素，同时也不修改关系矩阵A的元素值。遍历所有节点后完成关联图构建。
面向弱监督样本集构建的关联图记为
，其中V为节点集合，各个节点代表各个样本；E为边集合，各条边代表两个样本间的关系；A为关系矩阵，即样本间的关系数值，一般为距离度量值；
为节点特征矩阵，即各个样本的监测参数。上述关联图G能够实现样本间的相似关系表征，如果两个节点间存在一条边，则表示节点对应的样本存在相似关系，且关系数值越小，样本间的相似度越高。
第二步：基于有标签样本的关联子图生成
针对第一步中构建的关联图G，基于其中有标签样本对应的节点，共 
个节点，采样生成
个关联子图。
具体地，针对有标签样本代表的节点，结合关系矩阵A选取与该有标签样本相似度最高的K个节点，即关系数值最小的K个节点。基于构建完成的关联图G，将上述1+K个节点、节点特征、节点间的边以及节点间的关系数值进行抽取，形成关联子图。最终基于全体有标签样本建立关联子图集合。
在上述关联子图集合中，每个关联子图包括1+K个节点，分别代表1个有标签的样本和K个无标签样本，且每个无标签样本与有标签样本间存在1条边，边的数量为K。每个关联子图可以实现有标签样本和无标签样本间的关系表征，即在每个关联子图中，有标签样本和各个无标签样本的相似度较高。
第三步：基于图正则化网络的诊断模型构建
建立基于图正则化网络的故障诊断模型，利用生成的关联子图，完成故障诊断模型的训练。
利用第二步生成的关联子图集合，构建基于图正则化网络的故障诊断模型，该基于图正则化网络的故障诊断模型包括全连接层模块、主成分分析（Principal ComponentsAnalysis，PCA）模块以及Softmax模块。面向有标签样本与无标签样本间的关系表征，在计算有标签样本分类损失的基础上，采用图正则化技术计算有标签样本与无标签样本间的关系损失，从而提升弱监督条件下故障诊断模型的能力。
基于图正则化网络的故障诊断模型原理如图4所示，模型输入为第二步中生成的关联子图集合。具体地，针对每个关联子图的步骤如下：
步骤31：将关联子图的特征矩阵F送入全连接层模块，分别针对1个有标签样本和K个无标签样本，利用多层全连接层开展非线性变换，提取1个有标签样本故障表征向量以及K个无标签样本的故障表征向量。
步骤32：利用PCA模块，分别将1个有标签样本故障表征向量以及K个无标签样本的故障表征向量降维成二维向量；
步骤33：结合图正则化技术，计算每个无标签二维向量与有标签二维向量间的L2范数，作为关系损失，其计算公式如下：
其中，
为多层全连接层的非线性表征函数，
为有标签样本，
为无标签样本，
为L2范数。
步骤34：针对1个有标签故障表征向量，利用Softmax模块，经过Softmax函数处理后，计算交叉熵函数，作为分类损失，计算公式如下：
其中，
为有标签样本的真实标签，
为模型输出的预测标签，为交叉熵函数。
步骤35：基于关系损失和分类损失获得模型输出的整体损失如下：
其中w为控制图正则化比例的权重。
步骤36：利用上述整体损失开展反向传播实现图正则化网络的模型训练。
面向弱监督样本集，上述损失函数在传统的有监督损失的基础上，通过图正则化技术增加了有标签样本和无标签样本间的L2 范数作为关系损失。考虑到上述关联子图中的有标签样本和无标签样本的原始数据相似度较高，通过最小化关系损失值，使得有标签样本和无标签样本的故障表征向量也较为相近。因此，基于图正则化技术，上述故障诊断模型能够保证相似性较高的样本，其输出的故障表征向量也具备较高的相似性。利用有标签样本和无标签样本间的关系，优化模型提取故障表征向量的学习过程，迫使模型向固定方向学习，提升弱监督条件下的故障诊断模型的能力。
根据上述基于图正则化网络的诊断模型原理，在模型训练阶段，利用弱监督样本集构建的关联子图完成诊断模型构建。具体地，依次将
个关联子图分别送入基于图正则化网络的故障诊断模型，合理设置模型参数，利用整体损失值，包括分类损失值和关系损失值，对图正则化网络模型进行训练，最终在弱监督条件下构建基于图正则化网络的故障诊断模型。
第四步：基于图正则化网络的故障模式识别
在模型测试阶段，基于训练完成的基于图正则化网络的故障诊断模型，针对测试样本实现弱监督条件下的故障诊断。
具体地，首先将测试样本送入基于图正则化网络的故障诊断模型，利用全连接层模块获取其故障表征向量，然后利用Softmax模块对故障表征向量进行处理，最终实现测试样本的故障模式识别。
下面以实际应用案例对本发明实施例的技术方案进行具体说明：
步骤一、副翼作动器典型故障仿真与弱监督样本集生成
步骤1.1、副翼作动器典型故障仿真
针对典型电气四余度和机械二余度的副翼作动器，利用MATLAB/Simulink 和AMESim软件开展联合仿真，其中电气控制部分在Simulink软件仿真，机械和液压部分在AMEsim软件中完成仿真。
表1副翼作动器典型故障模式
针对表1中的典型故障模式，基于构建完成的副翼作动器仿真模型，添加故障注入模块并设置故障参数，实现典型故障模式注入。
设置仿真模型的输入控制指令为正弦信号，其频率为0.5Hz，幅值为3V。仿真时间设置为12s，仿真数据的采样频率为10KHz。
在上述5种典型模式下，采集副翼作动器的输入信号（控制指令）和输出信号（作动器位移），每种模式下可采集12000个输入数据点和12000个输出数据点。
步骤1.2、副翼作动器弱监督样本集生成
考虑到副翼作动器是一个典型的闭环控制系统，因此利用状态观测器提取其残差信号作为表征副翼作动器故障状态的信号。具体地，构建基于径向基函数（Radial BasisFunction，RBF）的状态观测器。利用正常状态下的输出和输出数据训练RBF模型，构建基于RBF的观测器。然后利用RBF观测器获取上述5种典型模式下的残差信号，每组残差信号包括12000个残差数据点。
针对每种模式下的12000个残差数据点，设置窗口为200，步长为200，对残差数据进行处理，获取60个样本。然后开展训练集和测试集划分，测试集和训练集各包括150个样本，每种故障下的训练集和测试集各包括30个样本，
针对上述300个样本，分别提取残差数据的均方根值、峰值和平均绝对值三个特征值，构建每个样本的监测参数向量。
针对训练样本集，设置有标签样本比例P为0.3。因此每种故障模式下，包括9个有标签的样本，以及21个无标签的样本。在5种典型模式下，共包括45个有标签的样本，和105个无标签样本，上述训练样本集为弱监督样本集。基于上述弱监督样本集，针对测试样本集中的150个样本，生成弱监督条件下的故障诊断任务。
步骤二、面向弱监督样本集的副翼作动器关联图构建
针对弱监督样本集中的150个样本开展副翼作动器关联图构建。以150个样本为节点，利用欧式距离计算各样本的距离度量，设置关联图参数K为2，从而实现弱监督条件下的关联图构建（由150个样本的节点构建一个关联图）。
构建完成的关联图如图5所示，记为
。其中V为节点集合，各个节点代表各个样本，节点数量；即包括150个节点，其中45个节点代表有标签样本，105个节点代表无标签样本；E为边集合，各条边代表两个样本间的关系，如果两个节点间存在一条边，则表示节点对应的样本存在相似关系；
为关系矩阵，即样本间的关系数值，为两个样本间距离度量值，且关系数值越小，样本间的相似度越高；F节点特征矩阵，即各个样本的监测参数向量。关联图G能够实现样本间的相似关系表征，其中关联图中的边表示两个节点的监测参数向量距离相近。
步骤三、基于有标签样本的副翼作动器关联子图生成
针对副翼作动器关联图G，基于其中45个有标签样本对应的节点，采样生成45个副翼作动器关联子图。
具体地，针对每个有标签样本代表的节点，基于关系矩阵A选取其距离最近的2个节点。基于构建的关联图G，将上述3个节点、节点特征、节点间的边以及节点间的关系数值进行抽取，形成关联子图。最终基于全体有标签样本建立关联子图集合（也就是说，针对150个节点的关联图，选取其中有标签的45个节点，从关联图中抽取了45个关联子图）。关联子图是从关联图中获取的，可以理解为将关联图中的一部分抽取处理，构建关联子图。关联图只有一个，针对这一个关联图，可以抽取很多个关联子图。
在上述关联子图集合中，每个关联子图包括3个节点，分别代表1个有标签的样本和2个无标签样本。每个无标签样本与有标签样本间存在1条边，边的数量为2。每个关联子图中，有标签样本和各个无标签样本的监测参数的相似度较高。
步骤四、弱监督条件下基于图正则化网络的副翼作动器故障诊断
基于上述构建完成的45个关联子图，构建基于图正则化网络的故障诊断模型，该模型包括全连接层模块、PCA模块以及Softmax模块。其中，模型中全连接层结构为200-256-512-128，每层激活函数为Relu。
在模型训练阶段，利用弱监督样本集构建的关联子图集合完成诊断模型构建。具体地，依次将45个关联子图分别送入基于图正则化网络的故障诊断模型。利用整体损失值，包括分类损失值和关系损失值，对图正则化网络模型进行训练。模型优化器为Adam，学习率设置为0.001，训练阶段的Epoch设为10000，Batch Size设置为45。最终在弱监督条件下构建基于图正则化网络的故障诊断模型。
在模型测试阶段，基于训练完成的基于图正则化网络的故障诊断模型，针对测试样本实现弱监督条件下的故障诊断。具体地，将150个测试样本送入基于图正则化网络的故障诊断模型，首先利用全连接层模块获取其故障表征向量，然后利用Softmax模块对故障表征向量进行处理，最终实现测试样本的故障模式识别。
故障诊断准确率的定义如下式：
其中，N为样本总数，
为诊断结果正确的样本的数量。
针对上述弱监督条件下的训练样本集，开展5次独立试验构建基于图正则化网络的故障诊断模型，得到5次试验的故障诊断结果，如表2所示，其平均准确率为90.67%。
表2基于图正则化网络的副翼作动器故障诊断结果
步骤五、故障诊断结果对比分析
为进一步验证基于图正则化网络的故障诊断模型的优势，在上述弱监督条件下，利用基于多层感知机（Multilayer Perceptron，MLP）的故障诊断模型和基于支持向量机（Support Vector Machine，SVM）的故障诊断模型进行对比分析。
MLP模型为典型的有监督学习模型，在弱监督条件下构建基于MLP的故障诊断模型开展对比分析。MLP模型结构为200-256-512-128，每层激活函数为Relu，针对全连接层的输出利用Softmax实现分类。模型训练优化器为Adam，学习率设置为0.001。训练阶段的Epoch设为10000，Batch Size设置为45。在模型训练阶段，利用弱监督样本集中的有标签数据，即5种典型模式下的45个有标签样本开展模型训练，构建基于MLP的故障诊断模型。在模型测试阶段，针对150个测试完成故障诊断。开展5次独立试验构建基于MLP的故障诊断模型，如图6所示，其平均准确率为76.13%。
SVM模型为典型小样本学习模型，在弱监督条件下构建基于SVM的故障诊断模型开展对比分析。SVM模型的核函数设置为RBF，惩罚系数C设置为1.0。在模型训练阶段，在模型训练阶段，利用弱监督样本集中的有标签数据，即5种典型模式下的45个有标签样本开展模型训练，构建基于SVM的故障诊断模型。在模型测试阶段，针对150个测试完成故障诊断。最终基于SVM的故障诊断模型的诊断准确率为42.00%。
上述结果表明，本发明提出基于图正则化网络的故障诊断方法的准确率高于传统的有监督学习故障诊断模型。与传统的故障诊断方法相比，基于图正则化网络的故障诊断方法实现了有标签数据和大量无标签数据的高效利用，基于有标签数据和无标签数据间的关系表征，约束了故障诊断模型的优化方向，有效的改善了弱监督条件下的故障诊断能力。
根据本发明实施例提供的方案，在传统故障诊断模型利用有标签样本的基础上，结合有标签样本和无标签样本间的关系，有效的改善了弱监督条件下的故障诊断能力。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。
Claims (7)
1.一种基于图正则化网络的故障诊断方法，其特征在于，包括：
获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；
从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；
建立包括全连接层模块、主成分分析PCA模块以及Softmax模块的基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型，其具体包括：利用所述全连接层模块，分别对节点特征矩阵进行非线性变换，得到一个有标签样本故障表征向量和K个无标签样本的故障表征向量；利用所述PCA模块，分别将所述一个有标签样本故障表征向量和所述K个无标签样本的故障表征向量进行降维处理，得到有标签二维向量和无标签二维向量；通过计算所述有标签二维向量与所述无标签二维向量之间的关系损失和所述有标签样本的分类损失，得到所述基于图正则化网络的故障诊断模型的整体损失；利用所述整体损失进行反向传播，得到训练后的基于图正则化网络的故障诊断模型；
利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；
其中，所述N和M均为正整数，且N小于M；
所述弱监督训练样本集的关联图包括节点集合V、边集合E、关系矩阵A以及节点特征矩阵F；其中，所述构建所述弱监督训练样本集的关联图包括：以所述弱监督训练样本集中每个训练样本作为节点，构建关联图的节点集合V；以所述弱监督训练样本集中每个训练样本的监测参数作为节点特征，构建关联图的节点特征矩阵F；根据所述关联图的节点集合V中的每个节点，获取与所述每个节点距离度量值最小的K个节点，通过在所述每个节点与所述K个节点之间分别增加1条边，得到所述每个节点的K条边，并将所述每个节点的K条边添加到关联图的边集合E中，同时分别将所述节点与所述K个节点之间的距离度量值设置为关联图的关系矩阵A中的对应元素值。
2.根据权利要求1所述的方法，其特征在于，所述从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图包括：
根据所述关联图中的关系矩阵A和每个有标签样本的节点，选取与所述每个有标签样本相似度最高的K个无标签样本的节点；
通过将所述关联图中的每个有标签样本的节点、K个无标签样本的节点、节点特征矩阵、节点间的边以及节点间的关系矩阵进行抽取，得到包含每个有标签训练样本的N个关联子图。
3.根据权利要求2所述的方法，其特征在于，所述计算所述有标签二维向量与所述无标签二维向量之间的关系损失包括：
计算所述有标签二维向量与所述无标签二维向量之间的L2范数，并将所述L2范数作为关系损失，其计算公式为：
其中，
为多层全连接层的非线性表征函数，
为有标签样本，
为无标签样本；
为L2范数。
4.根据权利要求3所述的方法，其特征在于，所述计算所述有标签样本的分类损失包括：
利用所述Softmax模块对所述一个有标签样本故障表征向量进行Softmax函数处理后，计算交叉熵函数，并将所述交叉熵函数作为分类损失，其计算公式如下：
其中，
为有标签样本的真实标签，
为模型输出的预测标签，
为交叉熵函数。
5.根据权利要求4所述的方法，其特征在于，所述基于图正则化网络的故障诊断模型的整体损失包括：
其中，w为控制图正则化比例的权重。
6.根据权利要求5所述的方法，其特征在于，所述利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式包括：
利用所述训练后的基于图正则化网络的故障诊断模型中的全连接层模块对所述弱监督测试样本集进行处理，获取故障表征向量；
利用所述训练后的基于图正则化网络的故障诊断模型中的Softmax模块对所述故障表征向量进行处理，识别出所述弱监督测试样本集的故障模式。
7.一种基于图正则化网络的故障诊断装置，其特征在于，包括：
构建模块，用于获取包含N个有标签训练样本和M个无标签训练样本的弱监督训练样本集，并构建所述弱监督训练样本集的关联图；
抽取模块，用于从所构建的所述弱监督训练样本集的关联图中分别抽取包含每个有标签训练样本的N个关联子图；
训练模块，用于建立包括全连接层模块、主成分分析PCA模块以及Softmax模块的基于图正则化网络的故障诊断模型，并利用所述N个关联子图对所述基于图正则化网络的故障诊断模型进行训练，得到训练后的基于图正则化网络的故障诊断模型，其具体包括：利用所述全连接层模块，分别对节点特征矩阵进行非线性变换，得到一个有标签样本故障表征向量和K个无标签样本的故障表征向量；利用所述PCA模块，分别将所述一个有标签样本故障表征向量和所述K个无标签样本的故障表征向量进行降维处理，得到有标签二维向量和无标签二维向量；通过计算所述有标签二维向量与所述无标签二维向量之间的关系损失和所述有标签样本的分类损失，得到所述基于图正则化网络的故障诊断模型的整体损失；利用所述整体损失进行反向传播，得到训练后的基于图正则化网络的故障诊断模型；
故障诊断模块，用于利用所述训练后的基于图正则化网络的故障诊断模型对弱监督测试样本集进行故障诊断，识别出所述弱监督测试样本集的故障模式；
其中，所述N和M均为正整数，且N小于M；
所述弱监督训练样本集的关联图包括节点集合V、边集合E、关系矩阵A以及节点特征矩阵F；其中，所述构建所述弱监督训练样本集的关联图包括：以所述弱监督训练样本集中每个训练样本作为节点，构建关联图的节点集合V；以所述弱监督训练样本集中每个训练样本的监测参数作为节点特征，构建关联图的节点特征矩阵F；根据所述关联图的节点集合V中的每个节点，获取与所述每个节点距离度量值最小的K个节点，通过在所述每个节点与所述K个节点之间分别增加1条边，得到所述每个节点的K条边，并将所述每个节点的K条边添加到关联图的边集合E中，同时分别将所述节点与所述K个节点之间的距离度量值设置为关联图的关系矩阵A中的对应元素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250601.9A CN115329906B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图正则化网络的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250601.9A CN115329906B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图正则化网络的故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115329906A CN115329906A (zh) | 2022-11-11 |
| CN115329906B true CN115329906B (zh) | 2023-04-14 |
Family
ID=83914923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211250601.9A Active CN115329906B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图正则化网络的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115329906B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738109B (zh) * | 2016-02-22 | 2017-11-21 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
| CA3113901A1 (en) * | 2018-09-28 | 2020-04-02 | Pavel SINHA | Machine learning using structurally regularized convolutional neural network architecture |
| CN111079836B (zh) * | 2019-12-16 | 2022-10-04 | 浙江大学 | 基于伪标签方法和弱监督学习的过程数据故障分类方法 |
-
2022
- 2022-10-13 CN CN202211250601.9A patent/CN115329906B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于拉普拉斯特征映射和深度置信网络的半监督故障识别;张鑫等;《机械工程学报》;20191225(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115329906A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| JP6983328B2 (ja) | 特徴転送ネットワークによる非監視下のクロスドメイン距離メトリック適応 | |
| CN111079836B (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
| WO2021257128A2 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
| CN114418954A (zh) | 一种基于互学习的半监督医学图像分割方法及其系统 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN112036435A (zh) | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 | |
| CN111612051A (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
| CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN116538127B (zh) | 轴流风机及其控制系统 | |
| CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
| CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
| CN112668438A (zh) | 红外视频时序行为定位方法、装置、设备及存储介质 | |
| CN117786507B (zh) | 全局和局部特征耦合指导的滚动轴承未知故障检测方法 | |
| CN115661539A (zh) | 一种嵌入不确定性信息的少样本图像识别方法 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
| Zha et al. | Recognizing plans by learning embeddings from observed action distributions | |
| CN112185543A (zh) | 一种医疗感应数据流分类模型的构建方法 | |
| CN117951574B (zh) | 一种基于语义嵌入的飞机电源系统故障诊断方法及系统 | |
| CN117996863B (zh) | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |