基于圖注意力網(wǎng)絡的風力發(fā)電機齒輪箱故障診斷

摘要：針對風力發(fā)電機齒輪箱故障振動信號的非平穩(wěn)性、特征混疊和診斷正確率低等問題，提出一種基于圖注意力網(wǎng)絡（GAT）的風力發(fā)電機齒輪箱故障診斷方法。首先利用原始振動信號的頻譜定義節(jié)點和邊，將故障信號構造為可視圖；然后將可視圖數(shù)據(jù)作為輸入，在GAT中嵌入鄰居自注意力機制使其自適應提取可視圖信號的節(jié)點特征和結構特征；最后使用分類器對提取的節(jié)點特征進行分類識別。通過行星齒輪箱數(shù)據(jù)集和風力發(fā)電機齒輪箱數(shù)據(jù)集的實驗，結果表明與機器學習、深度學習以及其他圖神經(jīng)網(wǎng)絡相比，所提方法準確率更高，魯棒性和抗噪性更好，可有效實現(xiàn)端到端的智能故障診斷。

關鍵詞：風力發(fā)電機；齒輪箱；故障診斷；可視圖；圖注意力網(wǎng)絡

中圖分類號：TM315;TP18文獻標志碼：A

0引言

齒輪箱作為風力發(fā)電機組中的重要部件，在運行過程中很容易受到沙塵、腐蝕性液體等的影響而發(fā)生故障，不僅會增加經(jīng)濟成本和時間成本，甚至會導致安全事故的發(fā)生。因此，針對齒輪箱振動信號開發(fā)有效的故障診斷技術，對于保證風力發(fā)電機設備的穩(wěn)定運行和避免事故發(fā)生具有重要意義1。近年來，大數(shù)據(jù)和人工智能的發(fā)展使機械設備運行狀態(tài)數(shù)據(jù)的獲取和處理變得簡單高效，在極大程度上促進了深度學習在故障診斷領域的應用2]，最典型的是以卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）為代表的診斷方法[3]。趙明航等4以行星齒輪箱為研究對象，使用ResNet融合動態(tài)加權的小波包系數(shù)實現(xiàn)故障診斷。王妮妮等[5]利用多尺度深度卷積網(wǎng)絡提取二維時頻圖的不同層級特征，并應用于滾動軸承故障診斷。文龍等6將振動信號轉化為灰度圖，使用LeNet-5網(wǎng)絡進行特征提取與分類，在多個機械故障數(shù)據(jù)集上達到了較高的診斷精度。以上深度學習模型在故障診斷領域的成功應用主要是由于網(wǎng)絡模型對一維信號及二維圖像的特征表示能力，其準確率依賴于使用大量數(shù)據(jù)對模型進行訓練和堆疊多層神經(jīng)網(wǎng)絡提取深層次故障特征，以增加訓練成本獲取更高的準確率，且未考慮噪聲對模型魯棒性的影響。盡管有學者針對此提出了相應的模型[7-8]，但這一問題仍未被完全解決，網(wǎng)絡的快速性、魯棒性和抗噪性仍需深入研究。

與CNN處理的一維信號和圖像信號等歐式數(shù)據(jù)不同，圖數(shù)據(jù)不具有平移不變性，無法在圖上直接定義卷積9。為有效處理圖數(shù)據(jù)，產生了一個新興的領域——圖神經(jīng)網(wǎng)絡（graph neural networks，GNN），它是在圖論和深度學習的基礎上發(fā)展起來的，目前已廣泛應用于社交網(wǎng)絡、自然語言處理等領域[10-1]。為了充分發(fā)揮GNN的優(yōu)勢，有學者將其引入到故障診斷領域。李天福等[12將振動信號構造為3種圖信號，使用GNN提取圖信號特征，在多個數(shù)據(jù)集上實現(xiàn)故障診斷。余曉霞等13使用小波包分解原始振動信號，將分解后的信號定義為圖信號，然后使用深度圖卷積神經(jīng)網(wǎng)絡進行學習，并應用于風力發(fā)電機齒輪箱故障診斷。以上研究將振動信號轉換為圖數(shù)據(jù)，并結合GNN來實現(xiàn)故障診斷，驗證了基于GNN的故障診斷方法在故障特征提取和模式識別方面的可行性及優(yōu)勢。

綜上所述，為了以較小的運行成本有效地實現(xiàn)端到端的智能故障診斷，同時增強模型的魯棒性和抗噪性，本文提出一種新的基于圖注意力網(wǎng)絡（graph attention networks，GAT）的風力發(fā)電機齒輪箱故障診斷方法。通過將振動信號頻譜構造為可視圖數(shù)據(jù)，然后引入注意力機制克服節(jié)點間鄰居權重固定不變的限制，賦予鄰居節(jié)點不同的邊權重自適應提取節(jié)點特征，以節(jié)點分類形式實現(xiàn)故障診斷。最后對無噪聲和有噪聲背景下的齒輪箱振動信號進行故障分析與分類，并對所提方法的準確性和抗噪性進行對比與分析，以驗證所提方法的可行性。

1圖注意力網(wǎng)絡

1.1圖定義

圖（graph）由節(jié)點和邊構成，記為G=（V，E），其中V表示節(jié)點集合，E表示邊集合。圖1所示為無向圖及相關的矩陣。

圖1中鄰接矩陣A∈R\"×n，表達式為：

節(jié)點i與節(jié)點j之間存在邊連接時，對應的鄰接矩陣元素A，=1，否則為0。通過鄰接矩陣可建模圖的節(jié)點和邊，且無向圖的鄰接矩陣為對稱矩陣；D為對角度矩陣，D.=24，;L為拉普拉斯矩陣，L=D-A。

可視圖是一種將時間序列轉換為無向圖的復雜網(wǎng)絡算法，其構造原理如圖2所示。

通過將時間序列作為圖2上的節(jié)點，根據(jù)可視性準則進行節(jié)點連接進而轉換為可視圖。設任意兩節(jié)點為a（ta，ya）、b（t？，y，），節(jié)點c（t.，y.）為a、b節(jié)點之間的所有節(jié)點，若滿足式（2），則節(jié)點a與節(jié)點b之間有一條無向邊連接。構造的可視圖的每個節(jié)點至少和相鄰的節(jié)點相連，并且滿足平移不變性及縮放不變性。此外，節(jié)點幅值越大，其可視范圍越廣，節(jié)點度越大，鄰居信息越豐富，可有效建模節(jié)點的重要性。

1.2圖傅里葉變換

在圖譜理論中，歸一化的拉普拉斯矩陣L定義為：

對L進行特征分解，有：

將L對角化，有：

定義圖傅里葉變換為：

定義圖傅里葉逆變換為：

式中：I——單位矩陣；λ;——L的特征值；u;——L對應λ;的特征向量，且ulu=I，||u||=1;U=[u？，u？，…，u，];A=diag（[λ？，λ2，…，λ，]）;x——譜域信號；x——頂點域信號。

傅里葉變換的本質就是將L的特征向量作為基函數(shù)，把圖信號從頂點域變換到譜域。

1.3圖卷積神經(jīng)網(wǎng)絡

與CNN的思想類似，GNN是在圖的譜域上定義一個濾波器14]，本質是在聚合鄰居信息，如圖3所示。

由卷積定理可知：

式中：*s——圖卷積；y——頂點域信號；o——哈達瑪積；U1y——譜域圖濾波器。

令U1y=[0%，0？，…，0n-1F，g？=diag（[0%，0？，…，0a-1]），有：

式中：g？——圖卷積核。

由式（6）、式（7）和式（9）可知圖卷積操作的本質即為圖傅里葉變換，但這樣定義的圖卷積有一些致命缺陷，如需進行特征分解、復雜度很高（為0（n2））、在節(jié)點域非局部化。為了克服這些缺點，Defferrard等15利用切比雪夫多項式來近似g。，即：

可得ChebyNet的圖卷積定義為：

式中：K——切比雪夫多項式的階數(shù)；β——切比雪夫多項i=2L-1。式系數(shù)；T（A）——切比雪夫多項式；

通過近似，可避免圖卷積過程中的特征分解，復雜度從0（n2）降為0（E），并且在頂點域是局部化的。

Kipf等16令λmx=2，K=2，β？=-β？=1，提出圖卷積神經(jīng)網(wǎng)絡（graph convolutional networks，GCN），其卷積表達式為：

將I。+D2AD2歸一化為D2AD2，其中A=A+I，D.=2A，，可得GCN的表達式為：

式中：Z——經(jīng)過一層圖卷積后的輸出特征矩陣，Z∈R“-;σ——激活函數(shù)；A=D2AD2;x——節(jié)點輸入特征矩陣，X∈R“×;w——可學習的圖濾波器參數(shù)矩陣，W∈R×m。

GCN原理如圖4所示，可看出圖卷積本質是通過連邊信息聚合鄰居節(jié)點的特征。

1.4圖注意力機制

在ChebyNet和GCN中，節(jié)點與鄰居的邊權（e，=1）是通過鄰接矩陣預先定義的，鄰居對每個中心節(jié)點的重要性是固定的。為了實現(xiàn)自適應加權聚合，圖注意力網(wǎng)絡171（graphattentionnetworks，GAT）在學習圖濾波器參數(shù)時引入鄰居自注意力機制，即在聚合節(jié)點的鄰居信息時使用圖注意力機制確定每個鄰居節(jié)點對中心節(jié)點的重要性，然后以不同權重自適應聚合鄰居的節(jié)點特征，其注意力系數(shù)的計算過程和節(jié)點特征的聚合過程分別為：

式中：α，——注意力系數(shù)，表示中心節(jié)點i與鄰居j的連接權重；a——可學習的參數(shù)向量，a∈R2;——拼接操作；N，——中心節(jié)點i的鄰居集合；Z——節(jié)點i經(jīng)過GAT聚合后的特征；K——注意力頭數(shù)。

圖5為GAT（K=3）示意圖，其聚合鄰居節(jié)點的邊權重即為注意力系數(shù)，這樣可更有效地建模圖結構和挖掘圖特征。

2基于GAT的故障診斷流程

本文利用圖注意力網(wǎng)絡自適應提取可視圖的節(jié)點特征，通過節(jié)點分類的形式實現(xiàn)故障診斷，其診斷流程如圖6所示。主要步驟如下：

1）樣本劃分：如圖7所示，使用滑窗采樣方式劃分原始振動信號，表達式如（7）所示。

式中：n——滑窗采樣后的子樣本數(shù)量；floor——向下取整函數(shù)；L——振動信號長度；d——滑窗長度，也等于滑窗后的子樣本維度；s——每次滑窗的步長。

采樣后的子樣本定義為：

式中：x;——長度為d的子樣本信號；y;——故障標簽；i∈[1，n]。

獲得劃分的子樣本振動信號后，利用快速傅里葉變換將子樣本信號轉換為對應的頻譜，即：

式中：FFT（）——快速傅里葉變換；x，——節(jié)點特征。

2）構造可視圖：將子樣本頻域信號S作為節(jié)點，頻譜均值作為節(jié)點值，根據(jù)可視圖算法構造可視圖，并將頻譜作為可視圖的節(jié)點特征，故障類型作為可視圖的節(jié)點標簽，如式（20）所示?？梢晥D構造過程如圖8所示。

式中：X，——節(jié)點i。

3）數(shù)據(jù)集劃分：將構造的可視圖數(shù)據(jù)集隨機打亂后按照一定比例劃分為訓練集和測試集。

4）構建GAT診斷模型：獲得可視圖信號的結構拓撲信息與節(jié)點特征后可將其輸入到GAT模型中進行圖學習，主要分為圖注意力卷積聚合節(jié)點特征和節(jié)點特征分類兩個步驟。

①圖注意力卷積聚合節(jié)點特征：將可視圖節(jié)點特征x代入式（15）求得節(jié)點i與節(jié)點j之間的注意力系數(shù)α;，即邊權重e，：

將式（21）中學習到的注意力系數(shù)α，以及可視圖節(jié)點特征代入式（16），可得經(jīng)過一層圖注意力卷積層后的節(jié)點i特征z，：

式中：Z——節(jié)點X經(jīng)過一層圖注意力網(wǎng)絡后的節(jié)點i。

通過在每一個中間層中嵌入自注意力機制與堆疊圖注意力卷積層，兩層圖注意力網(wǎng)絡如式（23）所示。

②節(jié)點特征分類：在獲得多層GAT聚合的節(jié)點特征后，即可使用全連接層和softmax對其節(jié)點進行分類，如式（24）所示；然后利用交叉熵損失函數(shù)計算預測向量y;與真實標簽向量y;的分類損失，如式（25）所示。

式中：y;——節(jié)點i的預測標簽概率，y;∈R°，其中c為全連接層的輸出維度，也等于總的故障類型數(shù)量；FC（）——全連接層；pi——經(jīng)過兩層GAT后的可視圖節(jié)點i的特征；y，——y，的第j個元素值，為0或1的獨熱編碼向量元素；y，——節(jié)點i被分類為第j類的概率。

5）訓練網(wǎng)絡：在搭建好網(wǎng)絡模型后，將訓練集輸入網(wǎng)絡模型，并通過前向傳播獲得分類損失，利用誤差反向傳播算法更新網(wǎng)絡參數(shù)，訓練模型至收斂。

6）測試網(wǎng)絡：訓練完成后，將測試集輸入到最終診斷模型中，輸出診斷結果。

3實驗與分析

3.1實驗參數(shù)

本文實驗基于Pytorch與PyTorch Geometric框架實現(xiàn)，CPU為AMD Ryzen 74800H，GPU為NVIDIA GeForce GTX1650，運行內存為16 GB。

劃分振動樣本時滑窗長度d=1024，步長s=1024 ，即使用無重疊采樣方式，可避免數(shù)據(jù)泄露的問題。構圖時式（20）中的節(jié)點數(shù)量n=10，即將相同類型的10個子樣本信號構造為一個可視圖。GAT診斷模型的注意力頭數(shù)K=1，即單頭圖注意力網(wǎng)絡；圖注意力卷積層數(shù)為2，具體網(wǎng)絡層及卷積核結構如表1所示。

表1中，GATconv和BN Layer分別為圖注意力卷積層和批量歸一化層，F(xiàn)C Layer為全連接層，Relu為激活函數(shù)。輸出層的第一個維度10表示一個可視圖的節(jié)點數(shù)量，第二個維度表示節(jié)點特征維度。訓練時的超參數(shù)選取為：batchsize=32，epoch=100，優(yōu)化器選取Adam，學習率為1×10-4，損失函數(shù)為交叉熵損失。

3.2行星齒輪箱實驗驗證

3.2.1數(shù)據(jù)集介紹

使用東南大學行星齒輪箱故障數(shù)據(jù)集[18]驗證所提方法的有效性，該數(shù)據(jù)集包括軸承和齒輪兩個子數(shù)據(jù)集，且振動信號都是在傳動系動力學模擬器上獲取的。使用行星齒輪箱X軸方向的振動信號進行驗證，包括兩種工況下軸承和齒輪的不同故障，加上健康狀態(tài)一共10種故障類型，具體故障描述及標簽如表2所示。

軸承和齒輪兩個數(shù)據(jù)集樣本總數(shù)均為2000，且每種故障類型的樣本數(shù)量保持均衡為200，訓練集和測試集按6：4劃分，分別為1200和800，即訓練集和測試集分別包含120和80個可視圖。

3.2.2實驗結果與分析

將行星齒輪箱故障數(shù)據(jù)構造的可視圖數(shù)據(jù)輸入GAT模型中，模型訓練損失與訓練準確率如圖9所示。由圖9可知，經(jīng)過100個epoch訓練，訓練損失接近于0，訓練準確率達到近100%，不存在欠擬合的情況。

為了評估GAT模型的故障分類能力，將測試集輸入到訓練完成的GAT診斷模型中，并統(tǒng)計診斷結果繪制混淆矩陣，如圖10所示。從圖10可看出，診斷模型在軸承和齒輪數(shù)據(jù)集上的分類準確率分別為99.13%和100%，除了將軸承數(shù)據(jù)集中7個故障標簽為7（30 Hz-2 V工況下的健康狀態(tài)）的樣本預測為2（20 Hz-0 V工況下的健康狀態(tài)）外，其余所有預測結果均正確，證明了所提方法具有較好的故障識別效果。

3.2.3實驗對比與分析

為驗證所提方法的優(yōu)勢，對比包括K近鄰分類器（K-nearest neighbor，KNN）和支持向量機（support vector machine，SVM）的機器學習方法，包括LeNet和1D-CNN的深度學習方法以及ChebyNet和GCN的圖神經(jīng)網(wǎng)絡方法。其中KNN和SVM的輸入為15個時域特征（均值、方差、均方根、峭度、波形因子等）和10個頻域特征（頻率中心、均方頻率、頻率方差等），LeNet的輸入為32×32灰度圖，1D-CNN、ChebyNet和GCN的輸入都為故障信號頻譜，只是ChebyNet和GCN等圖神經(jīng)網(wǎng)絡考慮了可視圖的拓撲結構，而1D-CNN忽視了節(jié)點間的連接，孤立地提取節(jié)點特征。為減少隨機性的影響和保證對比實驗的公平性，所有模型均進行10次實驗，且實驗參數(shù)與GAT一致。所有模型在測試集上的10次實驗結果如圖11所示。

從圖11可看出，3種圖神經(jīng)網(wǎng)絡診斷方法優(yōu)于機器學習方法和深度學習方法，并且GAT在大多數(shù)情況下都保持最高的診斷準確率。為了更加直觀地對比不同方法的性能，統(tǒng)計10次實驗結果的平均值（含標準差）作為最終的評價指標，統(tǒng)計結果如表3所示。從表3可看出，GAT在軸承和齒輪上的測試準確率最高，分別為98.65%和100.00%，高于機器學習17.84%～28.27%和40.60%～41.74%，高于深度學習5.30%～31.44%和6.75%～44.55%，高于其他兩種圖神經(jīng)網(wǎng)絡0.26%～0.91%和0.00%～0.07%?？煽闯錾疃葘W習的診斷性能優(yōu)于機器學習，而圖神經(jīng)網(wǎng)絡的診斷精度又高于深度學習，主要有以下原因：1）機器學習方法的準確率極大程度上依賴于大量先進的專家經(jīng)驗，即克服不了人工提取特征的弊端；2）深度學習可實現(xiàn)端到端的特征提取與故障分類，但提取特征時未考慮樣本間的聯(lián)系，相反圖神經(jīng)網(wǎng)絡考慮了圖間節(jié)點的拓撲聯(lián)系，對于診斷模型有明顯的性能提升；3）相較于其他兩種圖神經(jīng)網(wǎng)絡使用預定義邊權重，GAT利用注意力機制以自適應邊權重聚合鄰居特征更有優(yōu)勢，且簡化了構圖的流程。

3.2.4抗噪性對比與分析

工程實際中機械設備往往都運行在復雜環(huán)境中，很容易受到噪聲的污染，為了驗證所提方法在噪聲情況下的抗干擾性，往原始振動信號中加入不同信噪比（signal-noise ratio，SNR）的高斯白噪聲，SNR定義為：

式中：Ysr——信噪比，dB;P——信號功率，W;Ps——噪聲功率，W。

為驗證和對比GAT診斷模型的抗噪性，往軸承和齒輪兩個數(shù)據(jù)集中加入信噪比分別為0、-2、-4、-6、-8、-10 dB的高斯白噪聲，在各模型上進行10次重復實驗，并統(tǒng)計最終的平均測試準確率以評估不同模型在不同噪聲下的抗噪性能，統(tǒng)計結果如表4所示。從表4可看出，信噪比越小，診斷準確率越低，噪聲對模型的影響越大。另外，GAT診斷模型在相同信噪比下均能達到最高的準確率，并且隨著信噪比的減小，其領先優(yōu)勢逐漸增大，證明了GAT具有較好的抗干擾性和魯棒性。值得一提的是，當加入了不同信噪比的噪聲后，包括KNN、SVM的機器學習方法和LeNet、1D-CNN的深度學習方法的診斷性能大幅下降，在軸承和齒輪上的準確率分別為11.00%～45.73%和11.84%～49.54%，幾乎不能正確診斷出故障類型；相比之下3種圖神經(jīng)網(wǎng)絡在噪聲下的性能保持得較好，其中GAT在軸承和齒輪的-10 dB強噪聲環(huán)境下的準確率分別為69.73%和76.31%，高于機器學習方法和深度學習方法32.00%～58.73%和41.42%～64.47%，高于ChebyNet和GCN兩種圖神經(jīng)網(wǎng)絡方法6.43%～23.29%和4.97%～10.03%，證明了將信號建模為可視圖并使用圖神經(jīng)網(wǎng)絡進行圖學習可大幅提升模型的抗噪性以及在圖神經(jīng)網(wǎng)絡中嵌入鄰居自注意力機制使其以自適應邊權重聚合鄰居節(jié)點可在一定程度上消除鄰居噪聲的影響，增強診斷效果。

3.3風力發(fā)電機齒輪箱實驗驗證

3.3.1數(shù)據(jù)集介紹

本節(jié)使用風力發(fā)電機齒輪箱數(shù)據(jù)[19驗證所提方法的可行性及優(yōu)越性，風力發(fā)電機齒輪箱如圖12所示。該數(shù)據(jù)集從3葉片的V90風力發(fā)電機獲得，發(fā)電機輸出功率為3 MW，采樣頻率為97656 Hz，軸頻率為30 Hz，齒輪嚙合頻率為960 Hz，包括6種正常和11種故障，共17種故障類型。每種故障類型取200個樣本，共3400個樣本，訓練集和測試集按照6：4比例劃分，即訓練集和測試集分別為2040和1360，分別包含204和136個可視圖數(shù)據(jù)。

3.3.2實驗結果與分析

為測試和對比GAT診斷模型對風力發(fā)電機齒輪箱數(shù)據(jù)的特征提取能力與故障分類能力，將其輸入到不同的對比模型中，進行10次實驗的統(tǒng)計結果如表5所示。表5中2分類任務的目標僅將故障狀態(tài)與正常狀態(tài)進行分離，17分類任務的目標是識別出每一種故障類型。可看出，對于2分類任務，大多數(shù)模型的準確率都能達到約100.00%，主要是因為正常類型和故障類型之間的特征差異較大，導致分類任務過于簡單，而且只能判斷出風力發(fā)電機齒輪箱是否發(fā)生故障，而不能判斷是何種故障。而對于17分類任務來說，由于故障類別較多，許多故障特征相似性較高，故而很難將其完全識別正確，其中GAT的診斷準確率為81.71%，在所有模型中達到最高，而機器學習和深度學習的診斷準確率分別為30.83%和52.20%，在相同輸入的情況下，3種圖神經(jīng)網(wǎng)絡方法比1D-CNN高出9.99%～29.21%，而融合了注意力機制引入鄰居自適應權重之后，GAT模型比另外兩種圖神經(jīng)網(wǎng)絡方法高出1.78%～19.22%，證明了所提方法的可行性及優(yōu)勢。

將GAT診斷模型每一層的特征利用t分布隨機鄰域嵌入算法（t-distributed stochastic neighbor embedding，t-SNE）降維可視化，如圖13所示。從輸入層特征可看出，正常狀態(tài)與故障狀態(tài)的特征各自混疊在一起，但經(jīng)過GAT卷積層聚合提取后，相同故障類型的特征類內距離減小，不同故障類型的特征類間距離增大，驗證了GAT具有強大的特征提取與特征聚類能力，可將大部分的故障特征分離，進而達到較好的診斷效果。

3.3.3抗噪性對比與分析

通過往原始振動信號加入不同信噪比的高斯白噪聲驗證和對比GAT模型的抗噪性能，結果如表6所示。從表6可看出，噪聲對模型的性能影響較大，且相比于GAT診斷模型，機器學習方法、深度學習方法和其他兩種圖神經(jīng)網(wǎng)絡的影響更加明顯。GAT診斷方法在0、-2、-4、-6、-8、-10 dB噪聲下的診斷準確率分別為72.74%、67.51%、64.55%、58.75%、52.17%、47.86%，較其余對比模型分別提升2.55%～49.10%、2.55%～49.10%、2.55%～49.10%、2.55%～49.10%、2.55%～49.10%、2.55%～49.10%，說明了可視圖拓撲結構以及鄰居自注意力機制均對模型的魯棒性和抗噪性有一定程度的提升。

3.4圖結構對比與分析

為了驗證圖結構對診斷結果的影響，將-10 dB噪聲下振動信號的頻譜構造為有向路圖、無向路圖、K近鄰圖（K=5），如圖14所示。路圖構造原理為：每個相鄰節(jié)點之間都有一條邊（有向邊或無向邊）連接；K近鄰圖構造原理為：獲取每個節(jié)點的K近鄰作為鄰居節(jié)點。

除了圖的拓撲結構以外，其余參數(shù)（如樣本數(shù)量、學習率等）均與可視圖保持一致。將3種對比的圖數(shù)據(jù)輸入到GAT診斷模型中，在行星齒輪箱和風力發(fā)電機齒輪箱測試集上的實驗結果如圖15所示。從圖15可看出，圖結構對模型的性能有一定影響，其中有向路圖的診斷效果最差，主要是由于其連邊數(shù)量較少，聚合的有效節(jié)點信息不如其他幾種圖結構數(shù)據(jù)豐富，而K近鄰圖和可視圖的診斷精度最高，主要由于其構圖與節(jié)點特征動態(tài)相關，可更加準確地表征節(jié)點之間的關系，且可視圖結構在4種圖數(shù)據(jù)中保持最高的準確率，驗證了本文所提將故障振動信號構造為可視圖的可行性及優(yōu)越性。

4結論

1）本文提出將故障振動信號構造為頻譜可視圖，可有效建模圖中每個節(jié)點的重要性，相比路圖和K近鄰圖在準確性和抗噪性上有一定的提升。

2）通過在圖卷積中引入注意力機制，本文提出一種基于圖注意力網(wǎng)絡的故障診斷方法，以自適應邊權重提取可視圖節(jié)點特征，避免了人工的干預，簡化了診斷流程，實現(xiàn)了高效的端到端智能故障診斷。

3）相較于機器學習方法、深度學習方法和其他圖神經(jīng)網(wǎng)絡方法，本文所提方法在無噪聲背景和有噪聲背景下均表現(xiàn)出較好的性能，且很大程度上減少了噪聲對診斷結果的影響，對風力發(fā)電機等復雜機械設備的齒輪箱智能狀態(tài)監(jiān)測與診斷有一定的參考價值。

[參考文獻]

[1]孫文卿，鄧艾東，鄧敏強，等.基于模型融合的風電機組齒輪箱故障診斷[J].太陽能學報，2022，43（1）：64-72.

SUN WQ，DENG A D，DENGMQ，etal.Faultdiagnosisof wind turbine gearbox based on model fusion [J].Actaenergiaesolaris sinica，2022，43（1）：64-72.

[2]ZHAO Z B，LI T F，WU J Y，etal.Deeplearningalgorithms for rotating machinery intelligent diagnosis：anopen source benchmark study[J].ISA transactions，2020，107：224-255.

[3]丁承君，馮玉伯，王曼娜.基于變分模態(tài)分解與深度卷積神經(jīng)網(wǎng)絡的滾動軸承故障診斷[J].振動與沖擊，2021，40（2）：287-296.

DING C J，F(xiàn)ENG Y B，WANG M N.Rolling bearing faultdiagnosis using variational mode decomposition and deepconvolutional neural network [J].Journal of vibration andshock，2021，40（2）：287-296.

[4]ZHAO MH，KANG M，TANG B P，etal.Deepresidualnetworks with dynamically weighted wavelet coefficientsfor fault diagnosis of planetary gearboxes[J].IEEEtransactions on industrial electronics，2018，65（5）：4290-4300.

[5]王妮妮，馬萍，張宏立，等.基于多尺度深度卷積網(wǎng)絡特征融合的滾動軸承故障診斷[J].太陽能學報，2022，43（4）：351-358.

WANG N N，MA P，ZHANG H L，etal.Faultdiagnosisof rolling bearing based on feature fusion of multi-scaledeep convolutional network[J].Acta energiaesolaris sinica，2022，43（4）：351-358.

[6]WEN L，LI X Y，GAO L，etal.A new convolutionalneural network-based data-driven fault diagnosis method[J].IEEE transactions on industrial electronics，2018，65（7）：5990-5998.

[7]ZHANG W，PENG G L，LI C H，etal.A new deeplearning model for fault diagnosis with good anti-noise anddomain adaptation ability on raw vibration signals[J].Sensors，2017，17（2）：425.

[8]FANG H R，DENG J，ZHAO B，etal.LEFE-net：alightweight efficient feature extraction network with strongrobustness for bearing fault diagnosis[J].IEEE transactionson instrumentation and measurement，2021，70：1-11.

[9]SHUMAN D I，NARANG SK，F(xiàn)ROSSARD P，etal.Theemerging field of signal processing on graphs：extendinghigh-dimensional data analysis to networks and otherirregular domains [J].IEEE signal processing magazine，2013，30（3）：83-98.

[10]QIU JZ，TANG J，MA H，etal.DeepInf：socialinfluenceprediction with deep learning[C]/Proceedings of the 24thACM SIGKDD International Conference on KnowledgeDiscoveryamp;Data Mining，London，United Kingdom，2018：2110-2119.

[11]王婷，朱小飛，唐顧.基于知識增強的圖卷積神經(jīng)網(wǎng)絡的文本分類[J].浙江大學學報（工學版），2022，56（2）：322-328.

WANG T，ZHU X F，TANG G.Knowledge-enhancedgraph convolutional neural networks for text classification[J].Journal of Zhejiang University（engineering science），2022，56（2）：322-328.

[12]LI T F，ZHOU Z，LI S N，etal.The emerging graphneural networks for intelligent fault diagnostics andprognostics：a guideline and a benchmark study[J].Mechanical systems and signal processing，2022，168：108653.

[13]YUXX，TANG BP，ZHANG K.Fault diagnosis of windturbine gearbox using a novel method of fast deep graphconvolutional networks [J].IEEE transactions oninstrumentation and measurement，2021，70：6502714.

[14]BRUNA J，ZAREMBA W，SZLAM A，etal.Spectralnetworks and deep locally connected networks on graphs[C]//2nd International Conference on LearningRepresentations，Banff，Canada，2014.

[15]DEFFERRARD M，BRESSON X，VANDERGHEYNSTP.Convolutional neural networks on graphs with fastlocalized spectral filtering[C]//Proceedings of the 30thInternational Conference on Neural Information ProcessingSystems，Barcelona，Spain，2016：3844-3852

[16]KIPF T N，WELLING M.Semi-supervised classificationwith graph convolutional networks[C]//Proceedings of theInternational Conference on Learning Representations，Toulon，F(xiàn)rance，2017.

[17]VELICKOVIC P，CUCURULL G，CASANOVA A，etal.Graph attention networks [C]/roceedings of theInternational Conference on Learning Representations，Vancouver，Canada，2018.

[18]SHAO S Y，MCALEER S，YAN R Q，etal.Highlyaccurate machine fault diagnosis using deep transferlearning[J].IEEE transactions on industrial informatics，2019，15（4）：2446-2455.

[19]SAUFI S R，BIN AHMAD Z A，LEONG M S，etal.Gearbox fault diagnosis using a deep learning model withlimited data sample [J].IEEE transactions on industrialinformatics，2020，16（10）：6263-6271.

FAULT DIAGNOSIS FOR WIND TURBINE GEARBOX BASED ONGRAPH ATTENTION NETWORKS

Tan Qiyu，MaPing，ZhangHongli，Wang Nini

（School of Electrical Engineering，XinjiangUniversity，Urumqi 830017，China）

Abstract：Aiming at the issues of non-stationary，feature aliasing and low diagnostic acuracy of fault vibration signals from windturbinegearbox，a fault diagnosis method for wind turbine gearbox based on graph attention networks（GAT）is proposed.Firstly，nodesand edges are defined by the frequency spectrum of the raw vibration signal to construct a visibility graph.Then，taking visibility graphdata as input，the neighbor self-attention mechanism is embedded in GAT to adaptively extract node features and structure features ofvisibility graph signals.Finally，the classifier is used to classify and recognize the extracted node features.The experimental results ofplanetary gearbox dataset and wind turbine gearbox dataset show that the proposed method has higher accuracy，better robustness andnoise immunity than machine learning，deep learning and other graph neural networks，which can effectively achieve end-to-endintelligent fault diagnosis.

Keywords：windturbines;gearbox;faultdiagnosis;visibilitygraph;graph attention networks（GAT）