基于可解释时空图卷积网络的多传感数据融合诊断方法

随着大数据和人工智能技术的发展,深度学习及其衍化算法在故障诊断领域取得了丰硕成果并得到了广泛应用。然而,智能故障诊断方法也存在着诸多挑战:(1)现有的多传感数据融合方法难以充分挖掘多传感器间的时空信息来优化诊断性能;(2)智能诊断模型的决策过程可解释性弱,无法满足实际工业场景下的可靠性要求。因此,提出一种基于可解释时空图卷积网络的多传感数据融合诊断方法。首先,通过构建门控卷积层以学习并增强时间特征;其次,结合传感器空间布局关系和图卷积网络多传感信息融合能力,学习并提取多传感器数据的空间特征,并通过行星齿轮箱故障诊断任务验证了模型有效性;最后,利用改进梯度类激活映射算法分析各传感器数据对模型诊断决策过程的重要度,从而提升模型更新过程的可解释性。试验结果表明,所提方法不仅具有较好的诊断性能,而且为多源传感融合诊断提供了一种有效的事后解释方法。

图结构联合时序数据驱动的装备剩余使用寿命预测方法

随着制造业向数字化、智能化方向转型升级,基于数据驱动的装备智能运维成为了学术界和工业界研究的潮流。然而,当前剩余寿命预测方法存在时序信息提取能力弱、难以建立监测数据与装备真实退化趋势的准确映射关系等局限性。为解决上述问题,提出一种图结构联合时序数据驱动的装备剩余使用寿命预测方法。首先,融合图卷积网络的图时序信息表征能力与长短时记忆网络的长时序特征刻画能力,构建包含图卷积、长短时记忆和逻辑回归模块的剩余寿命预测模型;其次,利用特征相关性构造的具有时序特性的图结构数据、利用原始数据构造具有固定时间步长的时序数据,分别作为图卷积模块和长短时记忆模块的输入,以最小化预测损失为目标,训练并优化寿命预测模型;最后,利用轴承全寿命加速退化试验数据,验证所提方法的有效性,所提方法在单工况下RMSE为0.107,综合工况下RMSE为0.099。与领域内先进方法对比的试验结果表明,所提方法取得了最优的预测性能,可为装备的预测与健康管理提供决策依据,具有较强的工程应用价值。