多尺度时空信息融合驱动的图神经网络故障诊断方法

doi:10.12141/j.issn.1000-565X.220593

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (12): 42-52.doi: 10.12141/j.issn.1000-565X.220593

所属专题： 2023年机械工程

多尺度时空信息融合驱动的图神经网络故障诊断方法

赵荣超¹ 吴百礼¹^,⁵ 陈祝云¹^,²^,³ 温楷儒¹ 张绍辉⁴ 李巍华¹^,²

^1.华南理工大学机械与汽车工程学院，广东广州 510640
^2.琶洲实验室，广东广州 510335
^3.北京信息科技大学重点科研机构北京 100192
^4.东莞理工学院机械工程学院，广东东莞 523808
^5.广东石油化工学院广东省石化装备故障诊断重点实验室，广东茂名 525000

收稿日期:2022-09-09 出版日期:2023-12-25 发布日期:2023-04-24
通信作者: 陈祝云（1990-），男，博士，副研究员，主要从事机械动态信号处理、装备健康管理与智能运维等研究。 E-mail:mezychen@scut.edu.cn
作者简介:赵荣超（1987-），男，博士，副教授，主要从事汽车热管理和故障诊断研究。E-mail： merczhao@scut.edu.cn
基金资助:
国家自然科学基金资助项目(52205101);广东省基础与应用基础研究基金区域联合基金青年基金资助项目(2021A1515110708);广州市基础研究计划基础与应用基础研究项目(202201010615);北京信息科技大学重点科研机构项目(KF20212223204)

Graph Neural Network for Fault Diagnosis with Multi-Scale Time-Spatial Information Fusion Mechanism

ZHAO Rongchao¹ WU Baili¹^,⁵ CHEN Zhuyun¹^,²^,³ WEN Kairu¹ ZHANG Shaohui⁴ LI Weihua¹^,²

^1.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.PAZHOU LAB，Guangzhou 510335，Guangdong，China
^3.Beijing Key Laboratory of Measurement Control of Mechanical and Electrical System Technology，Beijing Information Science Technology University，Beijing 100192，China
^4.College of Mechanical Engineering，Dongguan University of Technology，Dongguan 523808，Guangdong，China
^5.Guangdong Provincial Key Laboratory of Petrochemical Equipment Fault Diagnosis，Guangdong University of Petrochemical Technology，Maoming 525000，Guangdong，China

Received:2022-09-09 Online:2023-12-25 Published:2023-04-24
Contact: 陈祝云（1990-），男，博士，副研究员，主要从事机械动态信号处理、装备健康管理与智能运维等研究。 E-mail:mezychen@scut.edu.cn
About author:赵荣超（1987-），男，博士，副教授，主要从事汽车热管理和故障诊断研究。E-mail： merczhao@scut.edu.cn
Supported by:
the National Natural Science Foundation of China(52205101);the Guangdong Basic and Applied Basic Research Foundation under Grant(2021A1515110708)

摘要/Abstract

摘要：

行星齿轮箱作为机械系统中常见的减速装置，由于长期在强噪声环境和变工况工作条件下运行，导致采集到的振动信号故障特征微弱、信号模式多变难以识别，针对行星齿轮箱故障诊断效果不佳，泛化能力差的问题，提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取，削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力；然后再构造通道注意力机制，根据通道特征重要程度，给不同尺度卷积核提取的特征自适应分配不同权重，对含有关键故障特征的信息片段进行特征强化；最后对卷积输出的多尺度特征，构造空域下的图数据并通过图卷积网络聚合多尺度特征，从而有效利用数据的时序多维信息和空域结构关联信息，实现多尺度下时空域故障信息的深度融合，提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证，并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较，结果表明：本研究提出的方法在跨负载和跨转速两种工况下的平均诊断准确率分别可以达到98.85%与91.29%，明显优于其他对比方法，验证了本研究提出的方法的强泛化性能和优越性。

关键词: 故障诊断, 多尺度注意力机制, 图神经网络, 深度学习

Abstract:

Due to the long-term operation of planetary gearboxes in strong noise environments and changing working conditions, the collected vibration signals exhibit weak fault characteristics and variable signal patterns, making them difficult to identify. Intelligent fault diagnosis of planetary gearboxes under these conditions remains a challenging task. In order to achieve high diagnostic accuracy and strong model generalization performance, a fault diagnosis method using a graph neural network with a multi-scale time-spatial information fusion mechanism is proposed. The method first uses convolution kernels of different scales to extract features from the original vibration signal, reducing the masking effect of strong noise signals on valuable information and enhancing its feature expression ability. A channel attention mechanism is then constructed to adaptively assign different weights among different channels to features of different scales, enhancing features in segments of information containing crucial fault characteristics. Finally, the multi-scale features of the convolution module output are used to construct graph data with spatial structure information for graph convolution learning. This approach allows for the full utilization and deep fusion of multi-dimensional time domain information and spatial correlation information, effectively improving the accuracy of diagnosis and the generalization performance of the model. The proposed method was verified using a fault dataset of wind power equipment with planetary gearbox structure. The average diagnosis accuracy of the proposed method was found to reach 98.85% and 91.29% under cross-load and cross-speed conditions, respectively. These results are superior to other intelligent diagnosis methods, including deep convolutional neural networks with wide first-layer kernels (WDCNN), long short-term memory network (LSTM), residual network (ResNet), and multi-scale convolution neural network (MSCNN). Therefore, the strong generalization performance and superiority of the proposed method were confirmed.

Key words: fault diagnosis, multi-scale attention mechanism, graph neural network, deep learning

中图分类号:

TH17

赵荣超, 吴百礼, 陈祝云, 等. 多尺度时空信息融合驱动的图神经网络故障诊断方法[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 42-52.

ZHAO Rongchao, WU Baili, CHEN Zhuyun, et al. Graph Neural Network for Fault Diagnosis with Multi-Scale Time-Spatial Information Fusion Mechanism[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 42-52.

图/表 16

图1

图2

图3

图4

表1

所提模型具体参数"

网络结构	网络参数	输出大小
输入层		64 $×$ 1 024
多尺度卷积层	8 $×$ 7 $×$ 1，8 $×$ 15 $×$ 1，8 $×$ 31 $×$ 1，8 $×$ 63 $×$ 1	64 $×$ 32 $×$ 1 024
注意力层	32 $×$ 16，16 $×$ 32	64 $×$ 32 $×$ 1 024
卷积层	32 $×$ 3 $×$ 1	64 $×$ 32 $×$ 1 022
池化层	2 $×$ 1，最大池化	64 $×$ 32 $×$ 511
卷积层	64 $×$ 3 $×$ 1	64 $×$ 64 $×$ 509
卷积层	128 $×$ 3 $×$ 1	64 $×$ 128 $×$ 507
池化层	4 $×$ 1，自适应池化	64 $×$ 128 $×$ 4
全连接层	512 $×$ 256	64 $×$ 256
图生成层	256 $×$ 10	64 $×$ 64
图卷积层	256 $×$ 256	64 $×$ 256
图卷积层	256 $×$ 256	64 $×$ 256
全连接层	256 $×$ 5	64 $×$ 5

表1

图5

表2

表3

图6

表4

图7

表5

图8

图9

表6

图10

参考文献 24

1	唐宏宾，傅政，邓习树，等．工程机械柱塞泵变载荷工况故障诊断方法［J］．华南理工大学学报（自然科学版），2021，49（2）：110-119，139.
	TANG Hongbin， FU Zheng， DENG Xishu，et al ．Fault diagnosis method of piston pump in construction machinery under variable load condition［J］．Journal of South China University of Technology （Natural Science Edition），2021，49（2）：110-119，139.
2	陈雪峰，郭艳婕，许才彬，等．风电装备故障诊断与健康监测研究综述［J］．中国机械工程，2020，31（2）：175-189.
	CHEN Xuefeng， GUO Yanjie， XU Caibin，et al ．Review of fault diagnosis and health monitoring for wind power equipment［J］．China Mechanical Engineering，2020，31（2）：175-189.
3	刘畅，伍星，刘韬，等．基于近似等距投影和支持向量机的滚动轴承故障诊断［J］．振动与冲击，2018，37（5）：234-239.
	LIU Chang， WU Xing， LIU Tao，et al ．Fault diagnosis of rolling bearings based on near-isometric projection and support vector machine［J］．Journal of Vibration and Shock，2018，37（5）：234-239.
4	王栋璀，丁云飞，朱晨烜．基于中智KNN的齿轮箱故障诊断方法［J］．振动与冲击，2019，38（20）：148-153.
	WANG Dongcui， DING Yunfei， ZHU Chenxuan ．A fault diagnosis method for gearbox based on neutrosophic K-nearest neighbor［J］．Journal of Vibration and Shock，2019，38（20）：148-153.
5	周璇，王晓佩，梁列全，等．基于随机森林算法的制冷剂充注量故障诊断［J］．华南理工大学学报（自然科学版），2020，48（2）：16-24.
	ZHOU Xuan， WANG Xiaopei， LIANG Liequan，et al ．Random forests algorithm-based fault diagnosis for refrigerant charge［J］．Journal of South China University of Technology （Natural Science Edition），2020，48（2）：16-24.
6	陈祝云，钟琪，黄如意，等．基于增强迁移卷积神经网络的机械智能故障诊断［J］．机械工程学报，2021，57（21）：96-105.
	CHEN Zhuyun， ZHONG Qi， HUANG Ruyi，et al ．Intelligent fault diagnosis for machinery based on enhanced transfer convolutional neural network［J］．Journal of Mechanical Engineering，2021，57（21）：96-105.
7	杨平，苏燕辰．基于卷积门控循环网络的滚动轴承故障诊断［J］．航空动力学报，2019，34（11）：2432-2439.
	YANG Ping， SU Yanchen ．Fault diagnosis of rolling bearing based on convolution gated recurrent network［J］．Journal of Aerospace Power，2019，34（11）：2432-2439.
8	侯文擎，叶鸣，李巍华．基于改进堆叠降噪自编码的滚动轴承故障分类［J］．机械工程学报，2018，54（7）：87-96.
	HOU Wenqing， YE Ming， LI Weihua ．Rolling element bearing fault classification using improved stacked de-noising auto-encoders［J］．Journal of Mechanical Engineering，2018，54（7）：87-96.
9	李益兵，黄定洪，马建波，等．基于深度置信网络与信息融合的齿轮故障诊断方法［J］．振动与冲击，2021，40（8）：62-69.
	LI Yibing， HUANG Dinghong， MA Jianbo，et al ．A gear fault diagnosis method based on deep belief network and information fusion［J］．Journal of Vibration and Shock，2021，40（8）：62-69.
10	ZHANG W， PENG G， LI C，et al ．A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals［J］．Sensors，2017，17（2）：425/1-21.
11	WEN L， LI X， GAO L，et al ．A new convolutional neural network-based data-driven fault diagnosis method ［J］．IEEE Transactions on Industrial Electronics，2017，65（7）：5990-5998.
12	ZHAO R， WANG D， YAN R，et al ．Machine health monitoring using local feature-based gated recurrent unit networks［J］．IEEE Transactions on Industrial Electronics，2017，65（2）：1539-1548.
13	de BRUIN T， VERBERT K， BABUSKA R ．Railway track circuit fault diagnosis using recurrent neural networks［J］．IEEE Transactions on Neural Networks and Learning Systems，2016，28（3）：523-533.
14	ZHANG D， STEWART E， ENTEZAMI M，et al ．Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network［J］．Measurement，2020，156：107585.
15	YU X， TANG B， ZHANG K. Fault diagnosis of wind turbine gearbox using a novel method of fast deep graph convolutional networks［J］．IEEE Transactions on Instrumentation and Measurement，2021，70：6502714/1-14.
16	TANG Y， ZHANG X， ZHAI Y，et al ．Rotating machine systems fault diagnosis using semisupervised conditional random field-based graph attention network［J］．IEEE Transactions on Instrumentation and Measurement，2021，70：3521010/1-10.
17	LI T， ZHAO Z， SUN C，et al ．Multireceptive field graph convolutional networks for machine fault diagnosis［J］．IEEE Transactions on Industrial Electronics，2020，68（12）：12739-12749.
18	YANG C， ZHOU K， LIU J ．SuperGraph：spatial-temporal graph-based feature extraction for rotating machinery diagnosis［J］．IEEE Transactions on Industrial Electronics，2021，69（4）：4167-4176.
19	LIU X， TIAN H， DAI Z ．Bearing fault diagnosis based on multi-scale convolution neural network and dropout［C］∥Proceedings of 2020 IEEE 4th Information Technology，Networking，Electronic and Automation Control Conference （ITNEC）．Shanghai：IEEE，2020：1401-1406.
20	JIANG G， HE H， YAN J，et al ．Multiscale convolutional neural networks for fault diagnosis of wind turbine gearbox［J］．IEEE Transactions on Industrial Electronics，2018，66（4）：3196-3207.
21	吴静然，丁恩杰，崔冉，等．采用多尺度注意力机制的旋转机械故障诊断方法［J］．西安交通大学学报，2020，54（2）：51-58.
	WU Jingran， DING Enjie， CUI Ran，et al ．A diagnostic approach for rotating machinery using multi-scale feature attention mechanism［J］．Journal of Xi’an Jiaotong University，2020，54（2）：51-58
22	SCARSELLI F， GORI M， TSOI A C，et al ．The graph neural network model［J］．IEEE Transactions on Neural Networks，2008，20（1）： 61-80.
23	KIFI T N， WELLING M ．Semi-supervised classification with graph convolutional networks［J］．arXiv preprint arXiv：，2016.
24	ZHAO Z， LI T， WU J，et al ．Deep learning algorithms for rotating machinery intelligent diagnosis：an open source benchmark study［J］．ISA Transactions，2020，107：224-255.

任务	训练集	训练集数量	测试集	测试集数量
A	Load 0	2 500	Load 2	2 500
B	Load 0	2 500	Load 4	2 500
C	Load 2	2 500	Load 0	2 500
D	Load 2	2 500	Load 4	2 500
E	Load 4	2 500	Load 0	2 500
F	Load 4	2 500	Load 2	2 500

任务	训练集	训练集数量	测试集	测试集数量
G	Speed 480，600	5 000	Speed 720	2 500
H	Speed 480，720	5 000	Speed 600	2 500
I	Speed 600，720	5 000	Speed 480	2 500

诊断方法	平均正确率/%	平均F₁分数
CNN	92.63	0.911
多尺度CNN	96.62	0.946
多尺度CNN+通道注意力	97.42	0.971
多尺度CNN+GCN	97.72	0.976
所提方法	98.85	0.986

诊断方法	平均正确率/%	平均F₁分数
WDCNN	82.29	0.819
LeNet	86.05	0.863
LSTM	88.97	0.885
ResNet	93.77	0.928
MSCNN	91.24	0.912
所提方法	98.85	0.986

诊断方法	平均正确率/%	平均F₁分数
WDCNN	74.05	0.736
LeNet	75.93	0.743
LSTM	87.09	0.869
ResNet	86.72	0.865
MSCNN	87.11	0.875
所提方法	91.29	0.895

多尺度时空信息融合驱动的图神经网络故障诊断方法

Graph Neural Network for Fault Diagnosis with Multi-Scale Time-Spatial Information Fusion Mechanism

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨春玲, 梁梓文. 特征域近端高维梯度下降图像压缩感知重构网络[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 119-130.
[2]	郑娟毅, 董嘉豪, 张庆珏, 等. 基于残差密集网络的智能超表面信道估计算法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 102-111.
[3]	周浪, 樊坤, 瞿华, 等. 基于ECA注意力机制改进的EfficientNet-E模型的森林火灾识别[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 42-49.
[4]	蔡晓东, 周青松, 叶青. 基于动态邻域采样的社交推荐模型[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 32-41.
[5]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[6]	苏锦钿, 余珊珊, 洪晓斌. 一种面向中文拼写纠错的自监督预训练方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 90-98.
[7]	李家春, 李博文, 林伟伟. AdfNet：一种基于多样化特征的自适应深度伪造检测网络[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 82-89.
[8]	陈新度, 扶治森, 吴智恒, 等. 基于多头卷积和差分自注意力的小样本故障诊断方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 21-33.
[9]	郭恩强, 符锌砂. 基于特征相似性学习的抛洒物检测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 30-41.
[10]	赵建东, 焦岚馨, 赵志敏, 等. 考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 10-19.
[11]	叶峰, 陈彪, 赖乙宗. 基于特征空间嵌入的对比知识蒸馏算法[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 13-23.
[12]	陈忠, 唐鑫, 张大明, 等. S变换子域适应的扶梯电机轴承迁移诊断[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 34-41.
[13]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[14]	侯力玮, 王恒升, 邹浩然. 基于深度学习的玻璃基板铲起过程作用力预测[J]. 华南理工大学学报(自然科学版), 2022, 50(8): 71-81.
[15]	莫建文, 朱彦桥, 袁华, 等. 基于神经元正则和资源释放的增量学习[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 71-79,90.