SABO-VMD-GCN轴承故障诊断：特征提取+图卷积神经网络

SABO-VMD-GCN轴承故障诊断：特征提取+图卷积神经网络

引用

CSDN

1.

https://m.blog.csdn.net/qq_59747472/article/details/145937722

滚动轴承作为旋转机械的核心部件，其健康状态直接影响着设备的运行效率和安全稳定性。传统的故障诊断方法往往依赖于人工经验或者需要大量的手动特征工程，效率低且泛化能力有限。近年来，深度学习技术在故障诊断领域展现出强大的潜力。本文将探讨一种基于SABO (Salp Swarm Optimization, 樽海鞘群优化算法)-VMD (Variational Mode Decomposition, 变分模态分解)-GCN (Graph Convolutional Network, 图卷积神经网络) 的滚动轴承故障诊断方法，该方法旨在通过融合时域信号的精细化分解、有效的特征提取以及图结构的强大表达能力，实现更精准、更鲁棒的轴承故障诊断。

一、传统方法的局限性与深度学习的需求

传统的轴承故障诊断方法，如时域分析、频域分析、时频分析等，通常依赖于专家知识和人为经验。例如，时域分析可能提取均方根、峰值因子等统计特征，频域分析则关注频谱中的特定频率成分，如故障特征频率。然而，这些方法存在以下局限性：

• 特征选择的盲目性：人工选择的特征可能无法充分表征故障信息，或者容易受到噪声干扰。
• 依赖经验知识：不同类型的故障可能需要不同的特征选择策略，缺乏通用性。
• 对非线性、非平稳信号的处理能力有限：实际的振动信号往往具有非线性、非平稳的特性，传统方法难以有效处理。

深度学习的出现为解决上述问题提供了新的思路。卷积神经网络 (CNN) 等深度学习模型能够自动从原始数据中学习特征，避免了繁琐的手动特征工程。然而，传统的CNN主要针对图像等规则数据，难以直接处理时序振动信号。循环神经网络 (RNN) 虽然可以处理时序数据，但其在处理长序列时存在梯度消失等问题。因此，需要一种更有效的方法来处理轴承振动信号，并充分挖掘其内在的故障信息。

二、 SABO-VMD：自适应的信号分解与模态选择

变分模态分解 (VMD) 是一种自适应的信号分解方法，可以将复杂信号分解为多个本征模态函数 (IMF)。VMD相比于经验模态分解 (EMD) 等方法，具有更强的数学理论基础，能够有效克服EMD存在的模态混叠等问题。然而，VMD的分解效果受到参数（如模态数量K和惩罚因子α）的影响。参数选择不当会导致分解结果不理想，影响后续的特征提取和故障诊断。

樽海鞘群优化算法 (SABO) 是一种新型的元启发式优化算法，具有全局搜索能力强、收敛速度快等优点。将其应用于VMD参数优化，可以实现自适应的信号分解，提高VMD的分解性能。SABO-VMD 的基本思想是：将VMD的参数K和α作为优化变量，以分解后的信号重构误差或者某种特定的故障指标作为适应度函数，通过SABO算法不断迭代优化，最终得到最优的参数组合，使得VMD分解后的信号能够更好地反映轴承的故障特征。具体步骤如下：

1. 初始化樽海鞘种群：随机生成一组K和α的组合作为初始种群。
2. 计算适应度值：对每个个体，使用对应的K和α进行VMD分解，计算分解后的信号重构误差或故障指标作为适应度值。
3. 更新樽海鞘位置：根据SABO算法的更新规则，更新每个樽海鞘的位置（即K和α的值）。
4. 迭代优化：重复步骤2和步骤3，直到满足终止条件（如达到最大迭代次数）。
5. 选择最优参数：选择适应度值最优的个体对应的K和α作为VMD的最优参数。

通过SABO-VMD，能够实现自适应的信号分解，将原始振动信号分解为多个包含不同频率成分的IMF，更有利于后续的特征提取。

三、 特征提取：基于统计特征与深度特征的融合

对经过SABO-VMD分解得到的IMF，需要进一步提取特征以表征其蕴含的故障信息。可以考虑以下两种类型的特征：

• 统计特征：对每个IMF，可以提取时域、频域、时频域的统计特征。例如，时域特征可以包括均方根、峰值因子、峭度等；频域特征可以包括中心频率、均方频率等；时频域特征可以通过小波变换等方法获得。
• 深度特征：将IMF输入到一维卷积神经网络 (1D-CNN) 中，利用CNN自动学习深层特征。1D-CNN能够有效地提取时序信号的局部特征和全局特征，避免了人工特征选择的盲目性。

为了充分利用不同类型特征的优势，可以将统计特征和深度特征进行融合。一种简单的方法是将两种特征进行串联，形成一个更高维度的特征向量。更复杂的方法可以采用特征加权、注意力机制等手段，根据不同特征的重要性进行动态融合。

四、 GCN：基于图结构的故障诊断

图卷积神经网络 (GCN) 是一种专门用于处理图数据的深度学习模型。与传统的CNN不同，GCN能够直接对非欧几里得空间中的数据进行处理，例如社交网络、分子结构、知识图谱等。在轴承故障诊断领域，可以将轴承的不同部件（如内圈、外圈、滚动体、保持架）看作图的节点，节点之间的连接关系（如相邻关系、相互作用关系）看作图的边，从而构建一个表示轴承结构的图。

将提取的特征作为节点的特征向量，利用GCN进行学习，可以充分利用轴承的结构信息，提高故障诊断的准确性。GCN的基本思想是通过聚合相邻节点的特征信息来更新当前节点的特征表示。具体来说，GCN的每一层可以表示为：

$$
H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)})
$$

• $\sigma$ 是激活函数。

通过多层GCN的迭代更新，每个节点的特征表示能够融合其邻居节点的特征信息，从而更好地表征轴承的结构信息和故障信息。最后，可以将GCN的输出输入到分类器（如Softmax分类器）中，进行故障类型的分类。

五、 实验验证与结果分析

为了验证SABO-VMD-GCN方法的有效性，可以采用公开的轴承故障数据集，如Case Western Reserve University (CWRU) 轴承数据集。实验步骤如下：

1. 数据预处理：对原始振动信号进行归一化处理，去除噪声干扰。
2. SABO-VMD分解：使用SABO算法优化VMD的参数K和α，将原始信号分解为多个IMF。
3. 特征提取：对每个IMF提取统计特征和深度特征，并将两种特征进行融合。
4. 构建轴承图：根据轴承的结构信息，构建图的邻接矩阵。
5. GCN模型训练：将提取的特征作为节点的特征向量，利用GCN进行训练。
6. 故障诊断：使用训练好的GCN模型对测试集进行故障诊断，评估模型的准确率、精确率、召回率等指标。

通过与传统的故障诊断方法（如基于SVM、CNN的方法）进行比较，可以验证SABO-VMD-GCN方法的优越性。实验结果通常显示，该方法能够显著提高故障诊断的准确率和鲁棒性。