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（798）

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 4 本地客户端故障诊断基本流程图

正文中引用本图/表的段落

基于GCN的旋转机械本地客户端故障诊断基本流程如图4所示：

步骤3 本地训练：每个客户端使用构建好的图数据集来训练本地模型。通过对本地图数据进行学习和预测，逐步优化模型参数，模型结构如图4所示。每个参与方可以根据本地数据集学习到一组独特的本地模型参数

θ_{K}

，这些参数反映了本地数据的特性和规律。

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。

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。

对于基于遗传进化、KNN以及余弦相似度构图，利用多传感器数据进行故障诊断的准确率均高于单传感器数据。这表明这3种构图方法能够有效地提取多传感器中的故障特征信息，并充分利用多传感器数据的协同优势进行诊断。然而，基于有向路径构图的方法在多传感器数据上的诊断效果反而低于单传感器数据。这可能是因为在缺乏先验知识的情况下，有向路径构图方法难以确定最佳参数，无法充分体现多传感器的连接关系，反而引入了信息冗余，导致诊断准确性下降。这进一步说明了多传感器的数据融合对构图方法的适应性和泛化能力具有较高的要求。而在多传感器数据的训练诊断中，基于KNN和余弦相似度的构图方法的诊断效果均低于遗传进化构图方法。遗传进化构图方法的准确率高出KNN和余弦相似度的构图方法4.51%以上，这再次突显了本文所提出的构图方法所具备的卓越自适应能力。

本文的其它图/表