基于动态图残差卷积的流体动压密封环磨损故障检测方法

1.本发明属于流体动压密封环磨损检测技术领域，具体涉及一种基于动态图残差卷积的流体动压密封环磨损故障检测方法。


背景技术：

2.流体动压密封（hydrodynamic mechanical seal，hdms）是利用流体动压效应在动密封面之间形成一层能避免相对运动表面直接接触的流体动压油膜，由于密封环在油膜上运行，从而大大降低了磨损和摩擦热。这种密封因其低接触磨损和长服役时间而成为许多重要的旋转机械主轴部件的优选密封方案。对于流体动压密封来说，密封环磨损是最常见的一类失效形式。但是，由于对各种不同环境工况下的流体动压密封密封环磨损发生机制缺乏了解，只能对其进行定期拆解检修来防止不可预测的磨损故障产生。这也导致流体动压密封部件的复用性很差。
3.与传统的机械故障诊断方法相比，深度学习方法能够自适应地从海量数据中自动学习特征并通过其深层架构进行推理，这使其能够基于学习到的高级抽象表示更好地建模数据和故障类别之间的关系，并省略了具有专家领域知识的耗时的特征工程。
4.卷积神经网络专注于从收集到的信号中提取和分析时间特征，但它不能充分利用数据拓扑结构中的空间特征。为了充分挖掘利用数据在非欧几里得空间中的关系，图论被引入到用于故障诊断的神经网络中，促进了图神经网络（gnn）和图卷积网络（gcn）发展，通过将采样的故障数据构造成图，图神经网络能有效地挖掘数据之间的结构关系，即可以学习数据的全局特征。在将卷积运算引入图神经网络之后，图卷积网络模块将中心节点的节点特征沿着其相邻节点进行聚合，以形成新的节点特征，并获得中心节点的隐藏表示。
5.尽管图卷积网络为解决卷积神经网络在机器故障诊断中的不足提供了思路，并取得了大量进展，但仍有一些问题需要解决；问题之一是从故障信号生成的图的质量。由于从真实工业环境中收集的原始信号通常伴随着大量噪声和不可避免的传感器误差导致的大量异常值，因此直接从原始数据生成的图通常在节点之间具有不正确的边缘。原始数据和结构保存中的噪声和冗余会极大地影响生成图的质量，最终降低后续图表示学习的鲁棒性。特别是在大多数失效机制未知的故障诊断案例中，由于缺乏对磨损失效机制的理解，无法有效地分离或抑制信号中的噪声，这给图卷积网络模型带来了挑战。尽管已经有类似的工作，以增强使用动态图的图卷积网络模型的鲁棒性，但它本质上是一种隐式图分析方法，不能直接提高图的质量。另一个问题是图卷积网络只能学习图形数据的全局特征，而忽略了数据的局部特征。尽管可以通过引入卷积运算来聚合图数据上的相似节点以学习局部特征，但它不能从根本上消除问题。另一方面，图卷积也带来了新的问题，即过多的卷积运算最终会使所有节点收敛到相同的值，并失去它们各自的特性。这种特征的丢失对于故障诊断任务是致命的。而由于图卷积网络对局部特征的处理能力很弱，已有很多研究表明局部特征的提取仍有可能提高流体动压密封磨损故障诊断任务的准确性。总之，图卷积网络在流体动压密封磨损故障诊断任务中具有巨大的潜力。然而，仍然需要进行相当大的改进，以
减轻图卷积网络在此类任务中表现出的缺点，同时保持其优势。


技术实现要素：

6.本发明的目的在于提供一种基于动态图残差卷积的流体动压密封环磨损故障检测方法，该方法将图卷积和残差网络集合构成一个动态图残差卷积网络来检测流体动压密封环磨损故障。
7.为实现上述目的，本发明采用如下技术方案：一种基于动态图残差卷积的流体动压密封环磨损故障检测方法，包括如下步骤：（1）数据采集及处理在流体动压密封环运行状态下采集间隙浮动信号，通过对间隙浮动信号的分析以实现故障检测；采用傅里叶变换对采集的间隙浮动信号进行频域转换，并将所有的间隙浮动信号按一定比例分为训练数据集和测试数据集；（2）动态图生成采用k-nn算法从间隙浮动信号中获得的样本构造为初始图a0，，，式中，a0为初始图，{ }n为n
×
n的邻接矩阵，a
i,j
为样本xi和xj之间的相关性系数，σ》0，为控制输入空间的长度尺度参数，e为自然常数，‖ ‖2为二次范数；通过相关性系数获得所有间隙浮动信号的相似性，保留每个间隙浮动信号的前k个最高相似性，并将其他设置为零，获得稀疏的knn图；基于多头注意力的思想使用加权余弦相似度算法进行相似性度量学习，，，式中，为经过相似性度量学习后的相关性系数，wk为相似性度量学习的权重向量，
⊙
为哈德马积，m为多头注意力的头数，为第k头注意力计算分数，ai与aj为a0中的第i个和第j个节点向量，t为转置矩阵；通过施加了约束条件的最小化损失函数来动态更新图，，式中，l
gl
为动态图的最小损失函数，为动态图，为经过相似性度量学习后样本xi和xj之间的相关性系数，β与γ是两个非负的超参数， 为n
×
1向量，用于控制动态图的连通性和稀疏性，‖ ‖为范数，‖ ‖f为f-范数，t为转置矩阵；
（3）构建及训练动态高阶图残差卷积网络所述动态高阶图残差卷积网络包括图卷积模块、维度模块、残差模块和全连接层，所述图卷积模块包括第一图卷积层、第二图卷积层和输出层，第一图卷积层、第二图卷积层和输出层依次连接，第一图卷积层与输出层连接，输出层将第一图卷积层和第二图卷积层叠加后输出特征图；每个图卷积层采用包含边缘池的图卷积层；所述维度模块包括两层一维池化层和一转二维层，用于降低节点特征的1d向量的维数，然后对新获得的1d矢量进行深度压缩和宽度扩展；所述残差模块包括两层2d残差卷积层，用于以提取图卷积网路产生的节点的局部特征；所述全连接层用于输出包含全局和局部特征的输出特征图用于分类任务，并产生分类任务损失，l
gcn
为分类任务的最小损失函数，y
ij
为第i个样本的第j类别的预测标签，为第i个样本的第j类别的的真实标签，ψ为样本集对应的标签集合，c为类别数目；最小化目标函数l=l
gl
ηl
gcn
，η为非负超参数，将最小目标函数反向传播动态高阶图残差卷积网络中进行训练迭代，获取最终动态高阶图残差卷积网络，通过测试数据集测试最终动态高阶图残差卷积网络。
8.进一步地，步骤（1）中采用带探杆的位移传感器来监测流体动压密封环运行状态下动环与静环的间隙浮动信号。
9.进一步地，步骤（2）中为保证初始图a0对称性，使，(a
0 )
t
为初始图a0的转置矩阵。
10.进一步地，步骤（2）中引入阈值ε去掉多余的相关性参数，。
11.本发明具有如下有益效果：（1）k-nn算法从原始数据生成初始图，使用多头注意力机制的多头加权余弦相似度来评估节点之间的相似度，并且可以学习节点的权重向量，采用节点相似度的阈值限制来保证迭代图矩阵的非负性和稀疏性，可以抑制错误的连接，增强正确的连接，改善初始图质量。
12.（2）两层图卷积网络的图学习模块与具有残差结构的卷积神经网络连接，包含边缘池的双层高阶图卷积网络，有效地减少节点数量并聚合节点的局部特征，同时保留节点之间的全局特征，在网络的末端，添加了具有残差结构的卷积神经网络，以提取图卷积网络产生的节点的局部特征。
13.（3）降低节点特征的1d向量的维数，然后对新获得的1d矢量进行深度压缩和宽度扩展，以形成2d特征图，包含全局和局部特征的输出特征图用于分类任务。
附图说明
14.图1为本发明的结构示意图。
具体实施方式
15.如图1所示，本实施例提供的一种基于动态图残差卷积的流体动压密封环磨损故障检测方法包括如下步骤：（1）数据采集及处理在流体动压密封环运行状态下采集间隙浮动信号，具体采用带探杆的位移传感器来监测流体动压密封环运转时动环与静环的间隙浮动信号，通过对间隙浮动信号的分析以实现故障检测；通过傅里叶变换对采集的间隙浮动信号进行频域转换，使信号中频域特征得到显现，并将所有的间隙浮动信号按4:1分为训练数据集和测试数据集。
16.（2）动态图生成首先采用k-nn算法将从间隙浮动信号中获得的样本构造为初始图a
0 ，，，式中，a0为初始图，{ }n为n
×
n的邻接矩阵，a
i,j
为样本xi和xj之间的相关性系数，σ》0，为控制输入空间的长度尺度参数，e为自然常数，‖ ‖2为二次范数；获得所有间隙浮动信号的相似性，保留每个间隙浮动信号的前k个最高相似性，并将其他设置为零，获得稀疏的knn图。
17.为了确保获得的初始图是对称的，使，(a
0 )
t
为初始图a0的转置矩阵，并基于多头注意力的思想使用加权余弦相似度算法进行相似性度量学习，，，式中，为经过相似性度量学习后的相关性系数，wk为相似性度量学习的权重向量，
⊙
为哈德马积，m为多头注意力的头数，为第k头注意力计算分数，ai与aj为a0中的第i个和第j个节点向量，t为转置矩阵。
18.学习的权重向量有助于捕获不同的语义，但是一个完全连通的图在计算上造成数据量较大，进而引入阈值ε，去掉一些相关性参数，。
19.为了加强构建的图和每个信号之间的关联，通过最小化损失函数来动态更新图，；信号xi和xj之间的距离越大，相关性值越小，最小化损失函数将导致一个错误的结果，即图的所有元素都为零。因此，对最小化损失函数施加了两个附加约束，即 ，
式中，l
gl
为动态图的最小损失函数，为动态图，为经过相似性度量学习后样本xi和xj之间的相关性系数，β与γ是两个非负的超参数， 为n
×
1向量，用于控制动态图的连通性和稀疏性，‖ ‖为范数，‖ ‖f为f-范数，t为转置矩阵。
20.（3）构建及训练动态高阶图残差卷积网络（ddhgrcn）所述动态高阶图残差卷积网络包括图卷积模块、维度模块、残差模块和全连接层，所述图卷积模块包括第一图卷积层、第二图卷积层和输出层，第一图卷积层、第二图卷积层和输出层依次连接，第一图卷积层与输出层连接，输出层将第一图卷积层和第二图卷积层叠加后输出特征图；每个图卷积层采用包含边缘池的图卷积层，有效地减少节点数量并聚合节点的局部特征，同时保留节点之间的全局特征。
21.所述维度模块包括两层一维池化层和一转二维层，降低节点特征的1d向量的维数，然后对新获得的1d矢量进行深度压缩和宽度扩展；所述残差模块包括两层2d残差卷积层，在网络的末端，添加了具有残差结构的卷积神经网络，以提取gcn产生的节点的局部特征。
22.所述全连接层用于输出包含全局和局部特征的输出特征图用于分类任务；并产生分类任务损失，l
gcn
为分类任务的最小损失函数，y
ij
为第i个样本的第j类别的预测标签，为第i个样本的第j类别的的真实标签；ψ为样本集对应的标签集合，c为类别数目。
23.为了同时最小化图学习损失和分类任务损失，需要最小化目标函数，，η为非负超参数，以在图学习项和任务预测项之间进行权衡。
24.将训练数据集的动态图输入到动态高阶图残差卷积网络中进行训练，使用测试数据集对动态高阶图残差卷积网络进行测试，通过训练迭代使损失最小化以获得最优化的模型参数，将最终获得了最优化模型参数的动态高阶图残差卷积网络应用到实际的流体动压密封环磨损故障检测中。
25.实验结果性能比较：与其他经典网络比较了分类性能，包含卷积神经网络vgg和残差网络resnet，以及其他7种经典的两层图卷积网络gcn，以及一种隐式图法的网络（idhgrcn），idhgrcn使用隐藏的gcn层对图结构进行优化。
26.对基于图的方法将批次大小设为64，对于卷积网络批次大小为100，其余所有训练参数都已经调整至最佳。可以看到基于图的方法的准确率基本都要高于传统的卷积网络，同时本实施例的方法有着最高的准确率和最稳定的性能。
27.另外，比较了idhgrcn和本实施例提出的ddhgrcn的性能，通过将两种图学习模块输出的迭代图的邻接矩阵转成灰度图，并与未作处理的初始图的邻接矩阵做比较，同时相比隐式图方法，本实施例的图方法得到了更加稀疏和清晰的迭代图的邻接矩阵，这说明本实施例的图方法有着更好的图结构优化性能。
28.表1 各个卷积网络测试性能结果对比表
消融实验：通过消融掉提出的网络中的图学习模块、2维残差模块，探究这些模块所起到的作用。
29.将消融掉图学习模块的网络称为ddhgrcnngl，消融掉2维残差模块的网络称为ddhgrcnncnn，消融掉所有这两个模块的网络称为ddhgrcnclear。通过对上述网络输出的特征进行t-sne可视化来衡量这些模块的作用， ddhgrcnclear的聚类效果很差，这意味着网络不能高效的区分不同的故障类别；加入了图学习模块后，聚类效果得到了轻微的改善，在每一类上的准确率得到了极大提升，加入了2维残差模块后，网络的聚类性能有了极大提升，不同类别之间的间隔划分得更加清楚。训练后得到的分类准确率如表2，这些模块都达到了它们被设计时所希望的目标，起到了他们应有的作用。图学习有效地提升了初始图的质量，卷积模块有效地提升了分类性能。
30.表2消融实验性能测试结果对比
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。