一种基于多尺度图模型的平面并联机构状态诊断方法与流程

1.本发明属于旋转机械技术领域，涉及一种平面并联机构状态诊断方法，具体涉及一种基于多尺度图模型的平面并联机构状态诊断方法。


背景技术：

2.作为现代机构学的常用机构，并联机构因其具备精度高、刚度大、易于重构和便于实现模块化设计等诸多优势，在现代机构学的研究与应用中占据重要地位。而平面并联机构作为并联机构中的重要分支而广泛应用于实际生产中。
3.随着现代工业设备智能化和精密性的不断提高，对于平面并联机构的高效、稳定和安全的运行提出了更高的要求。然而，在实际运行工况下，平面并联机构往往因多种因素的影响而呈现出性能衰退，直至发生故障，这往往会造成一定的经济损失乃至人员伤亡。因此，针对平面并联机构在服役过程中的状态诊断极为必要，也进一步为其维修与保养工作方面提供决策依据。
4.平面并联机构的状态诊断主要是通过对平面并联机构运行时产生的一些动态信号进行分析处理，如温度、振动、压力等，进而获得表征平面并联机构状态的特征，从而实现状态的诊断。一般的，状态诊断方法可以分为传统状态诊断和智能状态诊断两大类。针对传统的状态诊断方法，其主要依赖物理模型和信号处理等方式建立状态诊断模型。但是，在实际工程运用中产生的动态信号往往呈现出复杂、非线性和多噪声的特点，运用传统的物理模型和信号处理方法对其进行建模往往比较困难和繁琐。此外，基于时域、频域和时频域的特征提取方法对专家经验的依赖程度较高且缺乏针对性和客观性，故传统状态诊断方法难以对实际工程中复杂工况下的平面并联机构状态进行自动、准确地诊断。
5.数据驱动的智能状态诊断策略在随着大数据时代的到来而产生的一种全新诊断方式，其主要步骤包括：1)数据采集与处理；2)模型构建与训练；3)模型部署与实施。根据模型构建与训练方式的不同，智能状态诊断方法可以细分为基于浅层网络的智能状态诊断方法和基于深层网络的智能状态诊断方法。在实际运用中，基于浅层网络的智能状态诊断方法虽然摆脱了对专家经验的依赖，实现了状态特征的自适应学习，但是，该方法因其属于浅层学习，故难以提取到动态信号中的深层特征及适应复杂工况的变化。与此同时，基于深层网络的智能状态诊断方法目前主要面向关键功能零部件的健康状态诊断任务，且大多数方法在实施过程中是基于样本独立假设的，未考虑不同尺度之间的辅助信息。
6.从目前的公开的资料来看，基于数据驱动的智能状态诊断方法主要集中于关键功能零部件的状态诊断任务中。例如名为multi
‑
receptive field graph convolutional networks for machine fault diagnosis的期刊论文，公开一种基于图卷积神经网络的旋转机械状态诊断方法。然而，上述方法的模型主要针对旋转机械关键功能零部件(如：轴承、齿轮箱等)的状态诊断任务，相比于平面并联机构，关键功能零部件的运行机理相对简单，耦合因素较小，且其状态更易于识别。此外，上述方法的模型虽然采用多尺度的策略实现不同层次特征的提取，但各尺度特征之间的权重并为有效发掘。


技术实现要素：

7.本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于多尺度图模型的平面并联机构状态诊断方法，旨在解决现有技术中存在的仅针对旋转机械关键功能零部件的状态进行诊断，而未考虑平面并联机构这类复杂机构状态诊断的不足，以及未考虑各尺度特征之间的权重的问题，可用于平面并联机构的状态诊断，为维保计划的合理制定提供依据。
8.本发明至少通过如下技术方案之一实现。
9.一种基于多尺度图模型的平面并联机构状态诊断方法，包括以下步骤：
10.(1)获取平面并联机构在不同状态下的运行信号，并执行标准化处理，得到标准化数据集；
11.(2)基于所述标准化数据集，构建训练样本集和测试样本集；
12.(3)构建无监督卷积自编码(ucae)模型；
13.(4)采用所述训练样本集，根据bp算法，对无监督卷积自编码(ucae)模型进行训练，获得所述训练样本集的编码特征和所述测试样本集的编码特征；
14.(5)基于pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，获得邻接矩阵；
15.(6)构建含注意力机制的多尺度图模型；
16.(7)采用所述训练样本集和邻接矩阵，根据bp算法，对含注意力机制的多尺度图模型进行训练，获得训练后的含注意力机制的多尺度图模型；
17.(8)根据所述训练后的含注意力机制的多尺度图模型，实现平面并联机构的状态诊断。
18.进一步地，所述执行标准化处理表达式为：
[0019][0020]
其中，x为平面并联机构在不同状态下的运行信号，为标准化数据集，max(x)为运行信号的最大值，min(x)为运行信号的最小值。
[0021]
进一步地，所述构建训练样本集和测试样本集，其具体包括：
[0022]
(2a)构建所述训练样本集其中为所述训练样本集对应的平面并联机构状态类别标签，n
tr
为所述训练样本集的样本数量；为训练样本集中的第i个样本；
[0023]
(2b)构建所述测试样本集其中为所述测试样本集对应的平面并联机构状态类别标签，n
te
为所述测试样本集的样本数量，为测试样本集中的第i个样本。
[0024]
进一步地，所述无监督卷积自编码(ucae)模型编码器和解码器；
[0025]
所述编码器用于对所述样本输入层中的样本进行深度表征特征提取，获得编码特征；
[0026]
所述解码器用于对所述编码特征进行解码操作，获得重构输出。
[0027]
进一步地，无监督卷积自编码(ucae)模型的训练包括以下步骤：
[0028]
(a)采用所述训练样本集，并结合所述无监督卷积自编码(ucae)模型中的编码器，实现所述训练样本集的深度表征特征提取，获得所述训练样本集的编码特征：
[0029][0030]
其中，为训练样本集中的第i个样本，为训练样本集中第i个样本的编码特征，encoder(
·
)为编码器的深度表征特征提取过程；
[0031]
(b)根据所述解码器，对所述训练样本集的编码特征进行解码操作，获得所述训练样本集的重构输出，其实现过程的具体表达式为：
[0032][0033]
其中，为训练样本集中第i个样本的编码特征，为训练样本集中第i个样本的重构输出，decoder(
·
)为解码操作；
[0034]
(c)根据所述训练样本集和所述训练样本集的重构输出，获得所述无监督卷积自编码(ucae)模型的重构误差：
[0035][0036]
其中，j
ucae
(x
tr
)为所述无监督卷积自编码(ucae)模型在所述训练样本集x
tr
上的重构误差，b为批量样本数，λ为惩罚系数，θ
ucae
为所述无监督卷积自编码(ucae)模型的内部参数；
[0037]
(d)根据所述无监督卷积自编码(ucae)模型的重构误差，结合bp算法，更新所述无监督卷积自编码(ucae)模型的内部参数，获得训练后的无监督卷积自编码(ucae)模型；
[0038]
(e)根据所述训练后的无监督卷积自编码(ucae)模型，再次对所述训练样本集和所述测试样本集分别进行深度表征特征提取，分别获得所述训练样本集的编码特征和所述测试样本集的编码特征
[0039]
进一步地，步骤(5)包括以下步骤：
[0040]
(5a)基于pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，其具体表达式为：
[0041][0042]
其中，ρ
i,j
为第i个编码特征与第j个编码特征的相似性度量，为所述训练样本集的编码特征和所述测试样本集的编码特征共同构建的编码特征集合中的第i、j个编码特征，为第i、j个编码特征的均值；
[0043]
(5b)根据相似度阈值ε，对所述相似度度量进行量化转换，获得邻接矩阵，其量化转换的具体表达式为：
[0044]
[0045]
其中，a
i,j
为邻接矩阵中的矩阵元素。
[0046]
进一步地，所述含注意力机制的多尺度图模型包括提取器和分类器；
[0047]
所述提取器包括样本输入层、降噪卷积
‑
池化层、含节点注意力机制的多尺度图卷积模块；
[0048]
所述降噪卷积
‑
池化层中，通过采用卷积核对所述样本输入层中的样本进行深层特征提取，实现降噪功能；
[0049]
所述含节点注意力机制的多尺度图卷积模块包括若干层尺度图卷积层、节点注意力模块，所述若干层尺度图卷积层的具体表达式为：
[0050][0051]
其中，p为第p层尺度图卷积层，为第p层尺度图卷积层的输出图特征，为第p层尺度图卷积层的输出图特征的特征维度，n为图卷积层节点数量，为拉普拉斯变换算子，w
(p)
为第p层尺度图卷积层的权重，s
(p)
为尺度图卷积层的输入图信号，且
[0052]
所述节点注意力模块用于实现所述若干图卷积层中各节点的节点注意力权重计算；根据各尺度图卷积层的输出图特征和各节点的节点注意力权重，获得所述含节点注意力机制的多尺度图卷积模块的最终加权输出；
[0053]
所述分类器包括若干卷积层、若干池化层、全局均值池化层、softmax层。
[0054]
进一步地，所述节点注意力模块具体实现过程为：
[0055]
首先，收集所述各尺度图卷积层的输出图特征，记为
[0056]
然后，基于尺度子网络实现对各尺度图卷积层的输出图特征的特征非线性变换，获得子网络非线性特征性变换，获得子网络非线性特征为第p尺度图卷积层所对应的子网络非线性特征，n为样本数量；
[0057]
最后，基于softmax算法，对所述子网络非线性特征按尺度方向进行归一化，获得各节点的节点注意力权重各节点的节点注意力权重为第p尺度图卷积层中各节点的节点注意力权重。
[0058]
进一步地，所述对含注意力机制的多尺度图模型进行训练，其具体包括：
[0059]
(7a)采用交叉熵损失，对所述含注意力机制的多尺度图模型进行损失度量，获得交叉熵损失度量，其具体表达式为：
[0060][0061]
其中，k
c
为所述平面并联机构状态种类，为所述分类器中第j个神经元上的第i个样本的输出，表示所述分类器中第m个神经元上的第i个样本的输出，为符号
函数，当等于j时取1，反之为0；
[0062]
(7b)根据所述含注意力机制的多尺度图模型的交叉熵损失度量，更新所述含注意力机制的多尺度图模型的内部参数，获得训练后的含注意力机制的多尺度图模型。
[0063]
进一步地，根据所述的各尺度图卷积层的输出图特征和所述的各节点的节点注意力权重，获得所述含节点注意力机制的多尺度图卷积模块的最终加权输出，其具体计算表达式为：
[0064][0065]
本发明的整体拓扑结构基于含注意力机智的多尺度图模型，该模型能够有效的应用于平面并联机构的状态诊断任务，且该模型能够有效挖掘各尺度之间的影响，获得各尺度特征之间的权重。
[0066]
与现有的技术相比，本发明的有益效果为：
[0067]
1)提供了一种全新的状态诊断模型；
[0068]
2)该模型可以应用于平面并联机构的状态诊断；
[0069]
3)通过注意力机制有效挖掘了各尺度特征之间的信息。
附图说明
[0070]
图1为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的步骤图；
[0071]
图2为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的无监督卷积自编码(ucae)模型的结构框图；
[0072]
图3为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的含注意力机制的多尺度图模型的结构框图；
[0073]
图4为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的含节点注意力机制的多尺度图卷积模块的结构框图；
[0074]
图5为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的具体平面并联机构实验平台示意图；
[0075]
图6a为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的各次实验下的诊断精度对比结果示意图；
[0076]
图6b为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的整体诊断精度和稳定性对比结果示意图；
[0077]
图7为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的损失值及其对比方法损失值示意图。
具体实施方式
[0078]
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
[0079]
如图1所示，本发明实施例提供了一种基于多尺度图模型的平面并联机构状态诊断方法，包括以下步骤：
[0080]
s101、获取平面并联机构在不同状态下的运行信号，并执行标准化处理，得到标准化数据集；
[0081]
s102、基于所述标准化数据集，构建训练样本集和测试样本集；
[0082]
s103、构建无监督卷积自编码(ucae)模型；
[0083]
s104、采用所述训练样本集，根据bp算法，对无监督卷积自编码(ucae)模型进行训练，获得所述训练样本集的编码特征和所述测试样本集的编码特征；
[0084]
s105、基于pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，获得邻接矩阵；
[0085]
s106、构建含注意力机制的多尺度图模型；
[0086]
s107、采用所述训练样本集和邻接矩阵，根据bp算法，对含注意力机制的多尺度图模型进行训练，获得训练后的含注意力机制的多尺度图模型；
[0087]
s108、根据所述训练后的含注意力机制的多尺度图模型，实现平面并联机构的状态诊断。
[0088]
具体地，所述平面并联机构因具备无累计误差、精度高、刚度大和承载能力强的优势，而被广泛应用于精密传动与高精度作业需求的任务场景中。
[0089]
bp算法，是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为bp网络。
[0090]
所述平面并联机构的状态诊断任务主要由所述含注意力机制的多尺度图模型完成，其中模型所需的邻接矩阵参数是由所述无监督卷积自编码(ucae)模型和所述pearson相关系数联合构建与保障。
[0091]
在本实施例中通过多尺度图模型实现了对平面并联机构进行状态诊断，且该模型能够有效挖掘各尺度之间的影响，获得各尺度特征之间的权重。
[0092]
进一步作为优选的实施方式，所述执行标准化处理，其具体包括：
[0093]
所述标准化处理的主要目的在于实现数据的无量纲化与数据规范化，其标准化处理的具体表达式为：
[0094][0095]
其中，x为平面并联机构在不同状态下的运行信号，为标准化数据集，max(x)为运行信号的最大值，min(x)为运行信号的最小值。
[0096]
具体地，通常由传感器采集到的运行信号为含量纲数据，为了消除量纲对模型性能的影响及规范化数据的值域，数据预处理往往被采纳。标准化处理是一种常见的数据预处理方式，其能够有效的将数据的值域规约在0至1区间，进而获得标准化数据集。
[0097]
进一步作为优选的实施方式，所述构建训练样本集和测试样本集，其具体包括：
[0098]
s1021、构建所述训练样本集其中为所述训练样本集对应的平面并联机构状态类别标签，n
tr
为所述训练样本集的样本数量；
[0099]
s1022、构建所述测试样本集其中为所述测试样本集对应的平面并联机构状态类别标签，n
te
为所述测试样本集的样本数量；
[0100]
具体地，在基于标准化处理后所获得的标准化数据集的基础上，为了实现模型的训练和性能测试，需要对所述标准化数据集进行进一步的拆分，构建训练样本集和测试样本集。一般的，对所述平面并联机构在各个状态下的标准化数据集进行样本构建，获得各个状态所对应的样本集；其次，从各个状态所对应的样本集中随机选择一定数量的样本共同组成用于模型训练的样本集，称之为训练样本集最后，剩余的未被选择的所有样本则构成测试样本集用于后续模型性能的验证。其中，和分别为所述训练样本集和所述测试样本集对应的平面并联机构状态类别标签，若某样本属于7类状态中的第3类，则状态标签记为[0 0 1 0 0 0 0]。
[0101]
所述构建无监督卷积自编码(ucae)模型包括编码器和解码器；所述编码器用于对所述样本输入层中的样本进行深度表征特征提取，获得编码特征；所述解码器用于对所述编码特征进行解码操作，获得重构输出。
[0102]
进一步作为优选的实施方式，所述编码器包括样本输入层、第一编码卷积
‑
池化层、第二编码卷积
‑
池化层、第三编码卷积
‑
池化层、第四编码卷积
‑
池化层、第五编码卷积层；
[0103]
所述解码器包括第一解码反卷积层、第二解码反卷积层、第三解码反卷积层、第四解码反卷积层、第五解码反卷积层、重构输出层；
[0104]
具体地，如图2所示，为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的无监督卷积自编码(ucae)模型的结构框图，其中输入样本依次经过编码器的样本输入层、第一编码卷积
‑
池化层、第二编码卷积
‑
池化层、第三编码卷积
‑
池化层、第四编码卷积
‑
池化层和第五编码卷积层，获得编码特征；随后再依次通过第一解码反卷积层、第二解码反卷积层、第三解码反卷积层、第四解码反卷积层、第五解码反卷积层、重构输出层对样本进行重构，获得重构输出。该模型各层中所采用的卷积操作、池化操作和反卷积操作均为现有深度学习理论中的基本操作。其中，图2中所述的conv1d是指卷积操作，relu表示激活函数为relu激活函数，卷积操作中的(25
×
1)则表示该卷积操作中的卷积核尺寸为25，卷积步长为1，而[b,3,376]是指b个样本经卷积操作后的特征维度为376，通道数为3，其余该表示形式以此类推。此外，batch norm是指批量正则化处理操作，max
‑
pooling是指池化操作，具体池化方式为最大池化，且convt1d是指反卷积操作。而j
ucae
(x
tr
)则表示所述无监督卷积自编码(ucae)模型在所述训练样本集x
tr
上的重构误差。
[0105]
进一步作为优选的实施方式，所述对无监督卷积自编码(ucae)模型进行训练，其具体包括：
[0106]
s1041、采用所述训练样本集，并结合所述无监督卷积自编码(ucae)模型中的编码器，实现所述训练样本集的深度表征特征提取，获得所述训练样本集的编码特征；
[0107]
s1042、根据所述解码器，对所述训练样本集的编码特征进行解码操作，获得所述训练样本集的重构输出；
[0108]
s1043、根据所述训练样本集和所述训练样本集的重构输出，获得所述无监督卷积自编码(ucae)模型的重构误差；
[0109]
s1044、根据所述无监督卷积自编码(ucae)模型的重构误差，结合bp算法，更新所
述无监督卷积自编码(ucae)模型的内部参数，获得训练后的无监督卷积自编码(ucae)模型；
[0110]
s1045、根据所述训练后的无监督卷积自编码(ucae)模型，再次对所述训练样本集和所述测试样本集分别进行深度表征特征提取，分别获得所述训练样本集的编码特征和所述测试样本集的编码特征
[0111]
具体的，所述无监督卷积自编码(ucae)模型的训练主要是指基于训练样本集对模型的内部参数进行更新，是的解码器的重构输出能够高度的还原编码器样本输入层中的输入样本，该训练过程是以目标损失函数为训练目标，与现有深度学习训练方式本质上并无差异。
[0112]
所述s1041步骤，其具体为：根据所述训练样本集，并结合所述无监督卷积自编码(ucae)模型中的编码器，实现所述训练样本集的深度表征特征提取，获得所述训练样本集的编码特征，其具体表达式为：
[0113][0114]
其中，为训练样本集中的第i个样本，为训练样本集中第i个样本的编码特征，encoder(
·
)为编码器的深度表征特征提取过程。
[0115]
所述s1042步骤，其具体为：根据所述解码器，对所述训练样本集的编码特征进行解码操作，获得所述训练样本集的重构输出，其具体表达式为：
[0116][0117]
其中，为训练样本集中第i个样本的编码特征，为训练样本集中第i个样本的重构输出，decoder(
·
)为解码操作。
[0118]
所述s1043步骤，其具体为：根据所述训练样本集和所述训练样本集的重构输出，获得所述无监督卷积自编码(ucae)模型的重构误差，其具体计算表达式为：
[0119][0120]
其中，j
ucae
(x
tr
)为所述无监督卷积自编码(ucae)模型在所述训练样本集x
tr
上的重构误差，b为批量样本数，λ为惩罚系数，θ
ucae
为所述无监督卷积自编码(ucae)模型的内部参数。
[0121]
进一步作为优选的实施方式，所述对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，获得邻接矩阵，其具体包括：
[0122]
s1051、基于pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量；
[0123]
s1052、根据相似度阈值ε，对所述相似度度量进行量化转换，获得邻接矩阵。
[0124]
具体的，所述邻接矩阵的构建主要是用于后续所述多尺度图模型的数据前向传递，因此所述邻接矩阵为该模型的关键参数之一。为了构建所述邻接矩阵，如图2所示，训练样本集和测试样本集均经由训练后的无监督卷积自编码(ucae)模型实现对应编码特征的提取，形成编码特征集合。随后，依次两两计算编码特征集合中特征间的相关性，若相关性度量结果超过阈值，则表明该特征们所述的样本之间是连接的，其邻接矩阵对应位置则记
为1，反之则为0。
[0125]
所述s1051步骤，其具体为：基于pearson相关系数，对所述训练样本集的编码特征和所述测试样本集的编码特征进行相关性度量，其具体计算表达式为：
[0126][0127]
其中，ρ
i,j
为第i个编码特征与第j个编码特征的相似性度量，为所述训练样本集的编码特征和所述测试样本集的编码特征共同构建的编码特征集合中的第i、j个编码特征，为第i、j个编码特征的均值。
[0128]
所述s1052步骤，其具体为：根据相似度阈值ε，对所述相似度度量进行量化转换，获得邻接矩阵，其量化转换的具体表达式为：
[0129][0130]
其中，a
i,j
为邻接矩阵中的矩阵元素。
[0131]
进一步作为优选的实施方式，所述构建含注意力机制的多尺度图模型包括提取器和分类器；
[0132]
所述提取器包括样本输入层、降噪卷积
‑
池化层、含节点注意力机制的多尺度图卷积模块；
[0133]
所述降噪卷积
‑
池化层中，通过采用大尺度卷积核对所述样本输入层中的样本进行深层特征提取，实现降噪功能；所述大尺度卷积核在25到35之间均可，以能起到降噪的作用。
[0134]
所述含节点注意力机制的多尺度图卷积模块包括第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层、节点注意力模块；
[0135]
所述节点注意力模块的主要功能是实现所述第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层中各节点的节点注意力权重计算；
[0136]
根据各尺度图卷积层的输出图特征和各节点的节点注意力权重，获得所述含节点注意力机制的多尺度图卷积模块的最终加权输出；
[0137]
第一尺度图卷积层所对应的第一尺度子网络为其为四层全连接神经网络，其网络结构为为第一尺度图卷积层的输出特征维度；
[0138]
第二尺度图卷积层所对应的第二尺度子网络为其为三层全连接神经网络，其网络结构为其网络结构为为第二尺度图卷积层的输出特征维度；
[0139]
第三尺度图卷积层所对应的第三尺度子网络为其为二层全连接神经网络，其网络结构为络，其网络结构为为第三尺度图卷积层的输出特征维度；
[0140]
所述分类器包括第一卷积层、第二卷积层、第三卷积层、第一池化层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第三池化层、第八卷积层、第一全局均
值池化层、softmax层。
[0141]
具体地，如图3所示，该图表示本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法的含注意力机制的多尺度图模型的结构框图，该结构框图分别对提取器和分类器进行了描述。提取器主要包含了样本输入层、降噪卷积
‑
池化层、含节点注意力机制的多尺度图卷积模块。其中，图3中所述的d
in
:400是指样本输入层中的样本维度为400，而kc(33
×
1)则表示降噪卷积
‑
池化层中采用的卷积核的大小为33，步长为1。此外，含节点注意力机制的多尺度图卷积模块为本发明的核心环节，其结构详见图4。分类器由第一卷积层、第二卷积层、第三卷积层、第一池化层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第三池化层、第八卷积层、第一均值池化层、softmax层组成。分类器中所述的conv1d是指卷积操作，relu表示激活函数为relu激活函数，卷积操作中的3@(3
×
1)则表示该卷积操作中的卷积核尺寸为3，卷积步长为1，且通道数为3。而[b,3,348]是指b个样本经卷积操作后的特征维度为348，通道数为3，其余该表示形式的含义以此类推。此外，batch norm是指批量正则化处理操作，max
‑
pooling是指池化操作，具体池化方式为最大池化。golbal average pooling是指全局均值池化操作。k
c
表示状态种类数。softmax表示softmax操作。
[0142]
一般的，样本输入层中的样本首先经过降噪卷积
‑
池化层，获得降噪卷积池化特征，该层中的卷积操作通过采用大尺度的卷积核有效抑制了输入样本中的噪声成分，改善了所提取到的特征的质量；随后，通过将每一个样本视为一个节点的方式，实现了图信号的构建，满足所述含节点注意力机制的多尺度图卷积模块的输入需求。然后，基于不同尺度的特征提取及相关权重的计算，获得最终加权输出。而后续的分类器的执行过程与现有深度学习中分类器的运行方式相似，区别仅在于该分类器的结构。
[0143]
所述第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层的具体计算表达式为：
[0144][0145]
其中，p＝1,2,3分别为第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层，为各尺度图卷积层的输出图特征，为各尺度图卷积层的输出图特征的特征维度，n为图卷积层节点数量，为拉普拉斯变换算子，其推导自所述邻接矩阵，w
(p)
为各尺度图卷积层的权重，s
(p)
为各尺度图卷积层的输入图信号，且
[0146]
所述节点注意力模块具体实现过程为：
[0147]
首先，收集所述第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层的输出图特征，记为
[0148]
然后，基于第一尺度子网络第二尺度子网络第三尺度子网络实现对所述第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层的输出图特征的特征非线性变换，获得子网络非线性特征：
[0149][0150]
式中为第p尺度图卷积层所对应的子网络非线性特征；n为样本数量；
[0151]
最后，基于softmax算法，对所述子网络非线性特征按尺度方向进行归一化，获得各节点的节点注意力权重各节点的节点注意力权重分别为第一尺度图卷积层、第二尺度图卷积层、第三尺度图卷积层中各节点的节点注意力权重；为第p尺度图卷积层中各节点的节点注意力权重。
[0152]
根据所述的各尺度图卷积层的输出图特征和所述的各节点的节点注意力权重，获得所述含节点注意力机制的多尺度图卷积模块的最终加权输出，其具体计算表达式为：
[0153][0154]
进一步作为优选的实施方式，所述对含注意力机制的多尺度图模型进行训练，其具体包括以下步骤：
[0155]
s1、采用交叉熵损失，对所述含注意力机制的多尺度图模型进行损失度量，获得交叉熵损失度量；
[0156]
s2、根据所述含注意力机制的多尺度图模型的交叉熵损失度量，更新所述含注意力机制的多尺度图模型的内部参数，获得训练后的含注意力机制的多尺度图模型。
[0157]
具体地，梯度下降法是一个一阶最优化算法。要使用随机梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度或者是近似梯度的反方向的规定步长距离点进行迭代搜索。
[0158]
所述s1步骤，其具体为：采用交叉熵损失，对所述含注意力机制的多尺度图模型进行损失度量，获得交叉熵损失度量，其具体计算表达式为：
[0159][0160]
其中，k
c
为所述平面并联机构状态种类，为所述分类器中第j个神经元上的第i个样本的输出，表示所述分类器中第m个神经元上的第i个样本的输出，为符号函数，当等于j时取1，反之为0；
[0161]
所述s2步骤，其具体为：根据所述含注意力机制的多尺度图模型的交叉熵损失度量，更新所述含注意力机制的多尺度图模型的内部参数，获得训练后的含注意力机制的多尺度图模型。
[0162]
为确保特征提取器能捕获有效信息，分类器可实现良好的健康状态识别，其参数根据交叉熵函数更新，其表达式为：
[0163][0164]
其中，θ
e
、θ
c
分别为表示特征提取器和分类器的内部参数，θ
′
e
、θ
′
c
为θ
e
、θ
c
对应的更
新值，η2为两者的学习率，j
c
(x
tr
)为交叉熵损失度量。
[0165]
上述方法实施例相同或者对应的技术特征可以带来相同的技术效果。
[0166]
本发明针对平面并联机构状态诊断具有优良的诊断性能。具体的，在实验场景下，如图5所示，其为具体的3
‑
prr平面并联机构实验平台示意图。基于构建的3
‑
prr平面并联机构在实验场景中的7种状态，通过与其他方法的比较，进一步阐述了所述一种基于多尺度图模型的平面并联机构状态诊断方法的有效性和稳定性。其中，对比方法包括：1)不含节点注意力模块的对比方法，记为without na；2)不含多尺度模块的对比方法，记为without ms；3)标准的cnn模型，记为standard cnn；4)标准的gcn模型，记为standard gcn；5)三阶切比雪夫图模型，记为chebynet_3。此外，本发明所述的多尺度图模型记为msgcn
‑
na。如表1所示，所述一种基于多尺度图模型的平面并联机构状态诊断方法在实验场景中的平均准确率为99.09％，标准差为0.68％，与对比方法without na相比，平均精度提高了1.95％，标准差降低了1.93％，表明了本发明所述模型中的节点注意力模块对于改善平面并联机构状态诊断性能的优越性。此外，通过与不含多尺度模块的对比方法without ms相比，可知本发明所述的含节点注意力机制的多尺度图卷积模块对于性能改善的显著性。另外，运用标准的cnn模型(standard cnn)所得到的平均准确率为93.26％，运用标准的gcn模型(standard gcn)所得到的平均准确率为81.09％，其平均诊断性能分别显著下降5.83％和18.00％。以上综合结果均表明本发明所述的多尺度图模型对于平面并联机构状态诊断的可行性和有效性。
[0167]
表1实验场景中各方法状态诊断性能的对比
[0168][0169]
与此同时，如图6所示，该图为本发明实施例一种基于多尺度图模型的平面并联机构状态诊断方法在实验场景中的诊断精度及其对比结果示意图。具体的，上述表1中的结果均为各模型在五次独立实验下的统计结果，而图6a所示的为各模型在五次独立实验下的详细诊断结果，可以看出本发明所述的多尺度图模型在每次实验中均具有优良的诊断性能，且图6b通过柱形图和误差棒的方式可视化了各个模型的统计结果，更加直观的看到本发明所述模型具有优异的诊断性能和出色的稳定性。
[0170]
进一步的，如表2所示，统计假设检验被用于进一步说明本发明所述的多尺度图模
型对于平面并联机构状态诊断性能的显著性。通常，h0假设和h1假设首先被分别建立，其中，h0表示本发明所述的多尺度图模型的诊断性能相比于对比方法没有得到显著提升，而h1则表示所述的多尺度图模型的诊断性能相比于对比方法得到了显著提升。具体的，在显著性水平α为0.05时，所对应的临界值z
α
为2.13，若检验统计量z
c,i
大于该临界值，则拒绝假设h0，接受假设h1。由表2可知，本发明所述的多尺度图模型相比于各对比方法的检验统计量均大于临界值，故表明本发明对于平面并联机构状态诊断性能的显著提升。
[0171]
表2实验场景中的统计假设检验结果
[0172][0173]
最后，如图7所示，各模型训练过程中所对应的训练损失值被记录，可以看出本发明所述的多尺度图模型(msgcn
‑
na)具有优异的收敛性能和稳定性。
[0174]
另外，基于期刊论文dynamic analysis of a 3
‑
prr parallel mechanism by considering joint clearances中提出的一种针对3
‑
prr平面并联机构的动力学仿真模型，总计4类3
‑
prr状态仿真数据被收集。基于上述仿真数据，本发明所述的一种基于多尺度图模型的平面并联机构状态诊断方法的性能被再一次验证。如表3所示，所述一种基于多尺度图模型的平面并联机构状态诊断方法在仿真场景中的平均准确率为98.70％，标准差为0.76％。与对比方法without na和对比方法without ms相比，平均精度分别提高了1.10％和1.80％，再次表明了本发明所述模型中的节点注意力模块和多尺度结构对于改善平面并联机构状态诊断性能的显著性。并且，运用标准的cnn模型(standard cnn)所得到的平均准确率为96.60％，运用标准的gcn模型(standard gcn)所得到的平均准确率为95.20％，其平均诊断性能同样分别下降2.10％和3.50％。以上在仿真场景中综合结果再一次表明本发明所述的多尺度图模型对于平面并联机构状态诊断的可行性和有效性。
[0175]
表3仿真场景中各方法状态诊断性能的对比
[0176][0177][0178]
进一步的，如表4所示，统计假设检验同样用于进一步说明本发明所述的多尺度图模型对于仿真场景中平面并联机构状态诊断性能的显著性。由表4可知，本发明所述的多尺度图模型在仿真场景下相比于各对比方法的检验统计量均大于临界值，故表明本发明载仿真场景下对于平面并联机构状态诊断性能的显著提升。
[0179]
表4仿真场景中的统计假设检验结果
[0180][0181]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。