图/表详细信息

图片操作
显示大图下载下载为PPT文件

基于联邦图网络的转子系统故障诊断方法

李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波

航空学报 2024, 45 (17): 530611-530611. DOI: 10.7527/S1000-6893.2024.30611

摘要（799）

HTML （11）

PDF（pc）（3984KB）（444）

转子系统运行环境恶劣、多源监测数据融合困难且易产生数据孤岛现象，对转子系统健康监测带来巨大挑战。本文提出了基于遗传进化构图的联邦图卷积神经网络（FGCN）转子系统故障诊断方法。首先，利用联邦学习和图神经网络，构建联邦图网络框架，通过在每个本地客户端上进行局部模型训练，并通过联邦加权平均算法聚合这些局部模型得到全局模型，这种数据不动、模型动的方式，不仅实现了数据的本地化处理，还确保了模型参数的安全与隐私；此外，为了解决多源传感器数据融合自适应差的问题，提出了遗传进化构图方法，该方法通过模拟生物进化过程中的自然选择和遗传变异机制，在训练过程中自动调整图结构节点之间的连接关系和权重；极大地提高了多源传感器构图的自适应性和灵活性，进而提升故障诊断的准确性。最后，通过在转子故障实验台数据集上进行验证，实验结果表明，所提出的方法能够更充分利用多传感器监测数据，在客户端包含故障种类数量不同的诊断场景中达到了95%以上的故障诊断准确率。

View image in article

图 1 联邦学习过程示意图

正文中引用本图/表的段落

联邦学习是一种具有隐私保护属性的分布式机器学习技术，它适用于包含多个参与方的场景。图1展示了联邦学习过程，在联邦学习中，参与方的数据D₁，D₂，…，D_N 经过不可逆的数据变换后，在各个参与方之间交换中间运算结果<D₁>，<D₂>，…，<D_N >，这些结果不包含隐私信息，用于优化各个参与方相关的模型参数。最终，通过联邦算法生成一个联合模型M。

步骤2 构图-选择：根据适应度值选出一部分优秀的个体作为下一代进化的父代，常用的选择策略有轮盘赌选择、锦标赛选择等。具体的选择流程如表1所示。

步骤3 构图-交叉：从父代中选取一对个体，通过某种方式交换它们的节点或边信息，产生新的子代个体。具体的交叉流程如表1所示。

步骤4 构图-变异：以一定的概率对子代的个体进行变异操作，改变其节点或边的属性或位置，引入新的结构。具体的变异流程如算法1所示。

步骤1 将构造好的图数据输入到第1层GCN层，经过处理后，通过Dropout层防止过拟合。接着，使用ReLU激活函数进行非线性处理。该层的输入特征维度为1 024，经过处理后输出特征维度为200。

该数据集使用了4个振动加速度传感器所采集的数据。每个传感器每秒采集1 024个数据点，这些数据点被视作图数据中的1个节点。通过特定的构图方法，本实验将4个传感器图节点相互关联，从而构建出了1个完整的图数据样本。此外，本实验设定了5个客户端，分别是A、B、C、D和E。每个客户端仅持有其各自的训练集数据，而测试集数据则被全局共享，具体数据集描述，如表1所示。在训练集中，每个故障模式包含48个数据样本；而在全局的测试集中，每个故障模式有60个样本，总共有9个故障模式，因此共有540个数据样本作为全局测试集。值得注意的是，为了更贴近实际的工业环境，每个客户端所拥有的故障模式是不同的，具体情况如表2所示，客户端A包含故障模式1，2，3，4，5，6，7，8，客户端B包含故障模式1，2，3，4，5，6，7，客户端C包含故障模式2，3，4，5，6，7，8，9，客户端D包含故障模式3，4，5，6，7，8，9，客户端E包含故障模式4，5，6，7，8，9。各个客户端训练集包含不同的故障类型场景，增加了多传感器数据融合诊断任务的难度，同时也可以更好地验证提出的联邦学习模型在保护数据隐私前提下进行联合训练与集中测试的性能。

联邦学习方法在解决数据隐私问题上具有显著的优势，但在联邦场景中，诊断准确率相较于集中式方法会有所降低。然而，对于4种不同的构图方法，联邦的诊断准确率仅比集中式训练低1%~2%，这表明其仍然能够获得相当好的分类效果。这表明联邦学习是解决大规模、敏感性数据训练问题的有力解决方案之一。

本文的其它图/表