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 2 遗传进化构图方法流程图

正文中引用本图/表的段落

在进化构图中，初始的图结构通常是随机生成的，而后经过一系列的遗传操作，例如选择、交叉、变异等，生成新的图结构，接着根据预先定义的评价函数对其进行适应度评估。最后优秀的图形结构被保留和选取，而较差的结构则被淘汰，从而使得整个群体向更优解的方向进化。通过多代的迭代演化，进化构图能逐渐搜索到最佳图形结构，使系统达到最优的性能。遗传进化构图方法的流程图如2所示。

3）构造样本图结构：根据节点之间的相似性或者其他方法构建图结构，常用的方法有基于距离或相关性的邻接矩阵构建方式，可以根据实际情况选择合适的方法。这里采用的是提出的遗传进化构图，具体操作步骤如图2所示。

本文采用西北工业大学齿轮箱数据集，对所提出的基于遗传进化构图的FGN旋转机械故障诊断方法的有效性进行验证。本节首先介绍了实验数据集和实验设置，然后从联邦和构图2种不同的角度，分别进行对照实验，最终证明了所提出方法的有效性。

卷积神经网络是流行的多源信息处理和特征提取方法之一，为了体现图网络结构在处理和融合多传感器数据中的优势，首先设置了Resnet18和VGG16两种典型的卷积神经网络作为对比方法。这2种方法与采用遗传进化构图集中式训练的FGCN的对比结果如表4所示，可见提出方法的诊断准确率分别超出2种典型的卷积网络23.24%和18.60%，这表明由于卷积网络不具备构图能力，其对多传感器信息关联性与互补特征的挖掘能力有限，从而导致多传感器融合场景下的诊断能力较弱。此外，还对比了模型迭代一次运行时间和模型收敛所需的迭代次数，可以看到提出方法均优于2种典型的卷积网络。这是由于图网络结构可以根据多传感器数据的关联性对图数据进行更高效的运算与维度约减，从而提高了运算效率和模型收敛速度。

最后，为了深入验证所提出的构图方法的泛化性，本实验精心设计了单传感器构图和多传感器构图2组对比实验；在单传感器构图实验中，主要利用单个传感器采集的数据来进行构图；而在多传感器构图实验中，则融合多个传感器的数据进行构图。通过细致比较这2种构图方法在不同传感器配置下的表现差异，可以为选择合适的构图算法提供更为可靠的依据。

所提出的遗传进化构图方法在集中式训练和联邦训练2种环境下均表现出优异的性能。这是因为遗传进化构图方法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，提高了GNN的自适应性和灵活性，并具备适应不同训练方式的能力，在联邦场景中展现了其独特的优势。此外，不论采用多传感器构图还是单传感器构图方法，遗传进化构图方法都能够取得最佳的诊断效果，说明它不仅适用于复杂的多传感器系统，而且在单一传感器的情况下也能发挥出色的性能，具备良好的泛化能力。

2）通过在西北工业大学转子系统故障实验台数据集上的实验验证，由于所提出的遗传进化构图方法具有数据融合自适应的特性，无论是采用多传感器构图还是单传感器构图，该方法的准确率都能至少比传统构图方法高出2%。特别是在多传感器构图上，准确率相较于其他方法至少提升了7%。这些实验结果充分证明了该方法在多传感器数据融合中展现出优越的性能，不仅保护了数据隐私，还实现高精度故障诊断。

本文的其它图/表