一种基于图自注意力网络的柴油机连续工况解耦识别方法

1.本发明涉及一种工况识别方法，尤其涉及一种连续工况解耦识别模型构建方法，适用于设备状态监测与诊断技术领域。


背景技术：

2.柴油机作为大型工业领域的核心动力装备之一，具有十分广泛的应用，对其进行状态监测与故障诊断能及时地、正确地对异常状态或故障状态做出诊断，提高设备运行地可靠性和安全性，获得更大的经济效益。由于柴油机设备振动信号属于典型的非平稳振动信号，由与周期相关的多个冲击叠加而成，其冲击特征复杂，智能故障诊断系统往往无法区分工况特征和故障特征，例如故障程度的增大和工况条件增大都会导致振动信号峰值增大，两者因果关系耦合在一起，如果没有工况信息作为参考，很难对柴油机组健康状态做出正确诊断，因此，柴油机工况的精准识别意义重大。
3.基于知识融合深度学习网络的工况识别方法已被证实能够很好地挖掘信号中的深层特征，使得工况信号得以表达，成为状态监测与诊断领域的研究热点，并已形成了较为丰硕的技术成果。然而，大多数工况识别模型以功率作为识别参数，且把功率参数划分成若干离散区间，通过分类模型获取当前状态所处功率区间，只用功率描述工况会导致转速和负载参数相互耦合，并且工况参数应为连续变量。因此，在机械设备相关监测与诊断技术中，尚缺乏一种上述的可行的、一种识别连续工况且解耦出具体转速和负载参数的连续工况解耦识别模型构建方法。图卷积网络作为一种拉普拉斯特征映射的算法，在图数据上建模，从局部的角度构建数据之间的关系，使得相互有关系的点在映射空间中尽可能的靠近，实现了更好的流形学习映射关系。同时，自注意力机制是捕捉数据特征内部相关性的有力工具，因此，结合自注意力机制和图卷积网络方法来增强信号的工况特征表示成为一种可行方案。
4.本发明提出了一种由转速和负载参数解耦的连续工况模型，并基于图自注意力网络建立工况解耦模型。该方法通过自注意力机制提取不同时间区间信号的相似性，并以自注意力系数为邻接矩阵，通过图卷积算法增强样本的特征表示，最终将样本特征映射到一个工况解耦空间，实现转速和负载的解耦和精确识别。


技术实现要素：

5.本发明的目的在于为机械设备振动信号的多参数工况识别，提供一种精确有效的解耦识别方法，完成连续数值的识别。
6.本发明的目的通过以下技术方案实现：
7.首先，设计实验工况收集柴油机连续工况变化实验数据，并划分训练集样本和测试集样本。并且，将缸盖振动信号分割划分为角域周期信号，并对其进行降噪滤波和归一化处理，使其符合神经网络模型的输入形式。
8.其次，用两个独立参数表示样本工况标签：γ＝[α,β]，分别用额定转速和额定负
载进行归一化处理，即在不考虑超转速、超负荷运行的情况下，α、β的取值范围均为[0,100]。
[0009]
再次，建立自注意力机制网络模型，将样本信号分割层m段角域信号片段，并与权重矩阵相乘获取queries向量和keys向量，再通过计算queries向量和keys向量之间的相似性，获取自注意力系数矩阵。
[0010]
继次，建立图卷积网络模型，以角域信号片段为节点，以自注意力系数矩阵为邻接矩阵，通过图卷积网络算法，聚合与自身相似度较高且对分类贡献度大的特征，并最终融合节点信号，重组角域信号，增强信号的特征表示。
[0011]
最后，建立工况解耦空间，将信号特征降维映射到工况解耦空间，完成工况的解耦和识别。
[0012]
一种结合自注意力机制和图卷积网络算法的连续工况解耦识别模型方法，其特征在于，包括以下步骤：
[0013]
第一步：建立样本数据集
[0014]
1.1按工况分布收集柴油机连续工况变化实验数据，整理得到总样本集d：
[0015]
d＝{f1,f2,
…
,f
t
,
…
,f
t
}
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016][0017][0018]
其中，d为总样本集，f
t
代表第t类工况参数样本集，t为工况类别数量，代表第t类工况参数下的第i个样本，n代表第t类工况参数下的样本数量，代表第t类工况参数下的第i个样本的第j个序列点，代表第t类工况参数下的第i个样本的第k个序列点，k为每个样本包含的序列点数，数值上等于机械运行一个完整的工作周期传感器所采集的序列点数。
[0019]
1.2将经过滤波降噪处理后的信号进行归一化处理，记x泛指一个样本，即对每一个样本x按照如下方式更新：
[0020]
f(x):x
→
x
new
ꢀꢀꢀꢀꢀꢀ
(4)
[0021][0022]
其中，x
new
为归一化后的样本，x
new
∈[-1,1]，x
min
为样本x序列中最小值，x
max
为样本x序列中最大值。
[0023]
1.3按样本类别将总样本集d划分训练集和测试集，比例为3：1，且训练集样本对应的工况类别与测试集工况类别不同，例如共24种工况类别，将其中18种工况的样本划分为训练集，其余6种工况的样本划分为测试集。
[0024]
第二步：设计样本工况标签
[0025]
由于工况参数量纲不同，会导致网络不同通道输出误差的精度不同，用两个独立参数表示样本工况标签：γ＝[α,β]，分别用额定转速和额定负载进行归一化处理，计算过程如下：
[0026][0027][0028]
其中，v为信号当前转速，v
idling
为柴油机怠速，v
rated
为柴油机额定转速；l为信号当前负载，l
min
为柴油机的最小负载，一般l
min
＝0，l
rated
为柴油机额定负载，l
rated
计算过程如下：
[0029][0030]
其中，p
rated
为柴油机额定功率。
[0031]
第三步：建立自注意力机制网络模型
[0032]
不同角域信号片段的隐特征之间存在内在关联，对同一分类任务，隐特征包含了不同的分类贡献度，对识别结果有不同的影响。采用自注意力机制，挖掘各时间区间信号中的关键信息。
[0033]
在输入层将样本x分成m段维度为d的角域信号片段，更新过程如下：
[0034]
x＝[x1,x2,
…
,xi,
…
,xm]
t
∈rm×dꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0035]
其中，xi为样本x的第i个片段。
[0036]
计算queries向量和keys向量，如下：
[0037][0038][0039]
其中，wq和是线性变换矩阵，其维度为d
×dk
，queries向量和keys向量的维度为m
×dk
，这里queries向量代表了当前信号段的特征表达，keys向量代表了输入中其他信号片段的特征表达，计算queries向量和所有keys向量之间的相似度，然后施加一个激活函数，得到信号片段的自注意关系矩阵att：
[0040][0041]
其中，softmax(
·
)为softmax激活函数，dk为queries向量和keys向量的维度。
[0042]
第四步：建立图卷积网络模型
[0043]
建立图数据g，建立流程如下：
[0044]
g＝(x,att)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0045]
其中，以角域信号片段x为节点，共m个节点，以自注意力系数att为边，图中节点通过图卷积算法聚合邻居节点的特征，生成新的节点表示，图卷积算法更新过程如下：
[0046]
h＝σ(l
sym
xwh)
ꢀꢀꢀꢀꢀꢀ
(14)
[0047][0048]
其中，h为图卷积层输出矩阵，σ(
·
)为非线性激活函数，l
sym
为symmetric normalized laplacian矩阵，wh为可训练的权重矩阵，其维度为d
×
d，为增加自环后的邻接矩阵，i是单位矩阵，dig＝diag(d(v1),d(v2),
…
,d(vn))∈rn×n是g
的度矩阵，其中d(v1)＝∑
j∈vaij
是节点v1的度，是的度矩阵，特征矩阵x通过左乘邻接矩阵完成邻居节点之间传播和接收特征的过程，然后右乘一个可训练的权重矩阵wh，完成线性变换，最后经过非线性激活函数激活，完成特征聚合。
[0049]
最后，将各个信号片段按原来的顺序排列组合到一起，得到信号增强矩阵d
′
：
[0050]
x
′
＝reshape(h)∈r1×kꢀꢀꢀꢀꢀꢀꢀ
(16)
[0051][0052]d′
＝{f
′1,f
′2,
…
,f
′
t
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0053]
其中，reshape()为矩阵维度变换函数，x
′
为一个样本维度变换后的输出向量，f
′
t
为信号增强后的第t类工况样本数据集，其中为信号增强后第t类工况下的第1个样本，n代表第t类工况参数下的样本数量，k代表每个样本包含的序列点数，数值上等于机械运行一个完整的工作周期传感器所采集的序列点数，d
′
为信号增强后的总样本数据集，t为工况类别数量。
[0054]
第五步：建立工况解耦空间
[0055]
定义网络模型分类器为工况解耦空间，由一层全连接层构成，其节点数在数值上等于2，即分别为转速和负载通道，其激活函数选取relu。工况解耦空间把工况标签量化，以转速和负载通道为基准轴，以具体参数值为刻度，将样本数据降维映射到工况解耦空间，可视化样本工况识别数值，完成转速和负载参数的解耦和连续识别。
[0056]
第六步：建立最终工况解耦识别模型。
[0057]
最终识别模型建立为双通道模型，每个通道由自注意力网络层、图卷积网络层和工况解耦空间分类器构成。最终模型输入为经上述步骤1.1、步骤1.2和步骤1.3数据预处理后的样本，输出为上述第二步中样本的标签，模型目标为预测值的平均绝对误差mae最小，损失函数loss选择mae，优化方式选择adam。最终训练工况识别模型，达到mae梯度下降为0后停止训练，并保存模型。
[0058]
第七步：工况参数解耦识别。
[0059]
当机器在后续工作过程中，可任意提取一个工作周期的信号作为一个样本，经步骤1.2中的归一化后，输入至第六步保存的模型，在工况解耦空间中自动显示出样本的转速和负载参数值，且该数值为连续数值。
[0060]
本发明提出了一种基于图自注意力网络的连续工况解耦识别模型构建方法，当一个新样本输入至保存的工况识别模型后，会给出当前信号具体的转速和负载值，实现工况多参数的解耦和精确识别。
附图说明
[0061]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1是根据本技术实例，提供的一种基于图自注意力网络的连续工况解耦识别模型构建方法流程图；
[0063]
图2是根据本技术实例，提供的一种实验工况和标签设计示意图及数据集划分示意图；
[0064]
图3是根据本技术实例，提供的一种自注意力网络层结构图；
[0065]
图4是根据本技术实例，提供的一种图卷积网络层结构图；
[0066]
图5是根据本技术实例，提供的一种基于图自注意力网络的连续工况解耦识别模型结构示意图；
[0067]
图6是根据本技术实例，提供的一种模型识别结果-工况解耦空间投影示意图；
[0068]
图7是根据本技术实例，提供的识别模型运用示意图。
具体实施方式
[0069]
为了更好地了解本发明的技术方案，以一台tbd234v12柴油机的缸盖振动信号为具体实施对象，对本发明提出的一种连续工况解耦识别模型构建方法进行计算和实现。
[0070]
图1是本技术提供的一种基于图自注意力网络的连续工况解耦识别模型构建方法流程图。参见图1，本发明的实施过程和结果如下：
[0071]
第一步：建立样本数据集
[0072]
在该发动机的气缸缸盖位置布置振动加速度传感器，采集气缸振动信号，采样频率为51200hz，并以曲轴拐角720
°
为一周期分割为角域信号。
[0073]
1.1按工况分布收集柴油机连续工况变化实验数据，整理得到总样本集d：
[0074]
d＝{f1,f2,
…
,f
t
,
…
,f
t
}
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0075][0076][0077]
其中，d为总样本集，f
t
代表第t类工况参数样本集，t为工况类别数量，代表第t类工况参数下的第i个样本，n代表第t类工况参数下的样本数量，代表第t类工况参数下的第i个样本的第j个序列点，代表第t类工况参数下的第i个样本的第k个序列点，k为每个样本包含的序列点数，数值上等于机械运行一个完整的工作周期传感器所采集的序列点数。
[0078]
在本实例下，转速和负载设置如图2a所示，其中共24种连续变化工况，分别为固定负载下转速变化数据和固定转速下负载变化数据，n＝100，k＝4032。
[0079]
1.2将经过滤波降噪处理后的信号进行归一化处理，记x泛指一个样本，即对每一个样本x按照如下方式更新：
[0080]
f(x):x
→
x
new
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0081][0082]
其中，x
new
为归一化后的样本，x
new
∈[-1,1]，x
min
为样本x序列中最小值，x
max
为样本x序列中最大值。
[0083]
1.3按样本类别将总样本集d划分训练集和测试集，比例为3：1，且训练集样本对应
的工况类别与测试集工况类别不同，例如共24种工况类别，将其中18种工况的样本划分为训练集，其余6种工况的样本划分为测试集。
[0084]
本实例的数据集划分如图2(b)所示。
[0085]
第二步：设计样本工况标签
[0086]
由于工况参数量纲不同，会导致网络不同通道输出误差的精度不同，在本实例柴油机实验数据测试下，转速通道输出mae为
±
10，转速上下限相差800rpm，则转速相对误差为
±
1.25％，而负载通道输出mae为
±
10，负载上下限相差2375n
·
m，负载相对误差为0.42％，故用两个独立参数表示样本工况标签：γ＝[α,β]，分别用额定转速和额定负载进行归一化处理，计算过程如下：
[0087][0088][0089]
其中，v为信号当前转速，v
idling
为柴油机怠速，v
rated
为柴油机额定转速；l为信号当前负载，l
min
为柴油机的最小负载，一般l
min
＝0，l
rated
为柴油机额定负载，l
rated
计算过程如下：
[0090][0091]
其中，p
rated
为柴油机额定功率。
[0092]
在本实例中，v
idling
＝700rpm，v
rated
＝1500rpm，p
rated
＝373kw，l
min
＝0n
·
m，l
rated
＝2375n
·
m。标签设计如图2(c)所示。
[0093]
第三步：建立自注意力机制网络模型
[0094]
不同角域信号片段的隐特征之间存在内在关联，对同一分类任务，隐特征包含了不同的分类贡献度，对识别结果有不同的影响。采用自注意力机制，挖掘各时间区间信号中的关键信息。
[0095]
在输入层将样本x分成m段维度为d的角域信号片段，更新过程如下：
[0096]
x＝[x1,x2,
…
,xi,
…
,xm]
t
∈rm×dꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0097]
其中，xi为样本x的第i个片段。
[0098]
计算queries向量和keys向量，如下：
[0099][0100][0101]
其中，wq和是线性变换矩阵，其维度为d
×dk
，queries向量和keys向量的维度为m
×dk
，这里queries向量代表了当前信号段的特征表达，keys向量代表了输入中其他信号片段的特征表达，计算queries向量和所有keys向量之间的相似度，然后施加一个激活函数，得到信号片段的自注意关系矩阵att：
[0102][0103]
其中，softmax(
·
)为softmax激活函数，dk为queries向量和keys向量的维度。
[0104]
本实例的自注意力层计算过程如图3所示。
[0105]
第四步：建立图卷积网络模型
[0106]
建立图数据g，建立流程如下：
[0107]
g＝(x,att)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0108]
其中，以角域信号片段x为节点，共m个节点，以自注意力系数att为边，图中节点通过图卷积算法聚合邻居节点的特征，生成新的节点表示，图卷积算法更新过程如下：
[0109]
h＝σ(l
sym
xwh)
ꢀꢀꢀꢀꢀꢀ
(14)
[0110][0111]
其中，h为图卷积层输出矩阵，σ(
·
)为非线性激活函数，l
sym
为symmetric normalized laplacian矩阵，wh为可训练的权重矩阵，其维度为d
×
d，为增加自环后的邻接矩阵，i是单位矩阵，dig＝diag(d(v1),d(v2),
…
,d(vn))∈rn×n是g的度矩阵，其中d(v1)＝∑
j∈vaij
是节点v1的度，是的度矩阵，特征矩阵x通过左乘邻接矩阵完成邻居节点之间传播和接收特征的过程，然后右乘一个可训练的权重矩阵wh，完成线性变换，最后经过非线性激活函数激活，完成特征聚合。
[0112]
最后，将各个信号片段按原来的顺序排列组合到一起，得到信号增强矩阵d
′
：
[0113]
x
′
＝reshape(h)∈r1×kꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0114][0115]d′
＝{f
′1,f
′2,
…
,f
′
t
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0116]
其中，reshape()为矩阵维度变换函数，x
′
为一个样本维度变换后的输出向量，f
′
t
为信号增强后的第t类工况样本数据集，其中为信号增强后第t类工况下的第1个样本，n代表第t类工况参数下的样本数量，k代表每个样本包含的序列点数，数值上等于机械运行一个完整的工作周期传感器所采集的序列点数，d
′
为信号增强后的总样本数据集，t为工况类别数量。
[0117]
本实例图卷积网络层计算过程如图4所示。
[0118]
第五步：建立工况解耦空间
[0119]
定义网络模型分类器为工况解耦空间，由一层全连接层构成，其节点数在数值上等于2，即分别为转速和负载通道，其激活函数选取relu。工况解耦空间把工况标签量化，以转速和负载通道为基准轴，以具体参数值为刻度，将样本数据降维映射到工况解耦空间，可视化样本工况识别数值，完成转速和负载参数的解耦和连续识别。
[0120]
第六步：建立最终工况解耦识别模型。
[0121]
最终识别模型建立为双通道模型，每个通道由自注意力网络层、图卷积网络层和工况解耦空间分类器构成。最终模型输入为经上述步骤1.1、步骤1.2和步骤1.3数据预处理后的样本，输出为上述第二步中样本的标签，模型目标为预测值的平均绝对误差mae最小，损失函数loss选择通用的mae，优化方式选择通用的adam。当最终诊断模型在训练中，达到mae梯度下降为0后停止训练，并保存模型。
[0122]
本实例建立模型结构如图5所示。数据集在工况解耦空间的投影可视化效果如图6
所示。
[0123]
第七步：工况参数解耦识别。
[0124]
当机器在后续工作过程中，可任意提取一个工作周期的信号作为一个样本，经2.2中的归一化后，输入至第六步保存的模型，在工况解耦空间中自动显示出样本的转速和负载参数值，且该数值为连续数值。
[0125]
本实例运用举例如图7所示，实际工况为[1200rpm,800n
·
m]，实际标签为[62.5,33.68]，模型输出为[62.34,33.66]，标签识别结果误差mae为[0.16,0.02]，数据集d所有样本的识别误差mae如表1所示。
[0126]
表1 识别结果误差表
[0127][0128]
如表1所示，在已训练的工况下转速的识别误差mae为2.79rpm，负载识别误差mae为6.82n
·
m，未训练的工况下转速的识别误差mae为28.78rpm，负载识别误差mae为54.59n
·
m。
[0129]
本发明提出了一种基于图自注意力网络的连续工况解耦识别模型构建方法，当一个新样本输入至保存的工况识别模型后，会给出当前信号具体的转速和负载值，实现工况多参数的解耦和精确识别。