基于QPSO-MC-GCN的柴油机典型故障诊断方法研究

摘要：

针对现有方法在处理训练样本较少的数据集时易出现过拟合现象的问题,将图卷积神经网络引入柴油机故障诊断领域,并结合量子粒子群优化算法,建立一种基于QPSO-MC-GCN(Quantum Particle Swarm Optimization-Multi-channel-Graph Convolutional Network)的故障诊断方法.该方法搭建了一种邻接矩阵,将时序振动数据转换为图数据,实现多个测点样本特征的有效融合;利用QPSO对多通道图卷积神经网络(MC-GCN)的关键参数学习率和热核函数宽度进行寻优,以提高模型的泛化能力;在传统图卷积神经网络(GCN)的基础上建立双头权值矩阵以提取更丰富的深层特征,并引入一维最大池化层进一步控制过拟合现象.对实测柴油机振动信号的分析结果表明,该方法针对试验所设定故障类型的诊断准确率优于文中的对比方法,尤其是在低标签比的情况下优势更明显.

关键词：图卷积神经网络、量子粒子群、柴油机、故障诊断

所属期刊栏目：41

分类号：TK428;TP183(内燃机)

资助基金：国家重点实验室开放基金WCDL-GH-2021-0017

在线出版日期：2022-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：268-275,319