[发明专利]一种图神经网络故障诊断方法、装置和存储介质

权利要求书

1.一种图神经网络故障诊断方法，其特征在于，包括以下步骤：

采集旋转机械在不同实验工况下的振动加速度信号，根据振动加速度信号获取样本，并对样本进行标注，获得样本数据集；

构建用于识别不同工况故障的多尺度时空信息融合驱动的图神经网络；

根据样本数据集对图神经网络进行训练优化；

在测试阶段，将不同工况的测试样本输入训练后的图神经网络，输出样本故障的概率分布，获取概率最大的故障为预测样本标签；

其中，图神经网络包括多尺度特征提取模块、通道注意力模块、图数据构建模块、图卷积模块以及标签分类模块；

所述多尺度特征提取模块用于对输入信号提取不同尺度的信息；

所述通道注意力模块用于对不同通道的多尺度信息进行建模，在卷积层中加入通道注意力机制，以使网络有选择地增强信息量大的特征，使得后续的处理充分利用这些特征，并对无用的特征进行抑制；

所述图数据构建模块用于引入样本之间的空间信息，

所述图卷积模块用于对空间信息进行建模，提取出融合时空信息的高维特征，

所述标签分类模块用于输出已知类别故障的类别概率。

2.根据权利要求1所述的一种图神经网络故障诊断方法，其特征在于，所述根据振动加速度信号获取样本，包括：

从振动加速度信号中截取所有故障类别中包含故障特征频率最少一个周期长度的数据段来构成样本；

其中，样本包括训练样本和测试样本，训练样本和测试样本是不同工况下的样本，两者的数据特征分布不同，但两者的类别空间相同，包含的故障类别数相同。

3.根据权利要求1所述的一种图神经网络故障诊断方法，其特征在于，所述多尺度特征提取模块包含多个特征提取单元；其中第一个特征提取单元包括多个大小不同的一维卷积核的卷积层、通道注意力层、批次归一化层、一维池化核的最大池化层，后续的特征提取单元包括单一尺度一维卷积核的卷积层、批次归一化层、一维池化核的最大池化层。

4.根据权利要求3所述的一种图神经网络故障诊断方法，其特征在于，所述多尺度特征提取模块的表达式为：

Z^l＝C(σ(f_i(Z^l-1)+b^l))

其中Z^l为第l层的输出，Z^l-1为第l-1层的输出，b^l为第l层的偏置，f_i表示不同尺度的卷积操作，σ为非线性激活函数，C表示不同尺度卷积操作输出的特征在通道维度上的合并操作。