图/表详细信息

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。

评价指标	遗传进化构集中式训练	ResNet 18	VGG16
平均准确率/%	96.85	73.61	78.25
迭代一次运行时间/s	3.1	5.6	5.2
模型收敛所需迭代次数	25	70	74

View table in article

表 4 提出方法与卷积网络性能对比

正文中引用本图/表的段落

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。

本文的其它图/表