基于圖網(wǎng)絡(luò)的船舶柴油機(jī)健康監(jiān)測(cè)

摘" 要： 為實(shí)現(xiàn)船舶柴油機(jī)的智能健康監(jiān)測(cè)，本文提出了一種雙圖采樣的圖網(wǎng)絡(luò)歸納式學(xué)習(xí)算法（Dual-GraphSAINT）.為充分挖掘柴油機(jī)振動(dòng)信號(hào)中的潛在信息，分別基于局部與全局一致性假設(shè)，對(duì)振動(dòng)信號(hào)和故障狀態(tài)構(gòu)造鄰接圖.通過(guò)鄰接圖內(nèi)數(shù)據(jù)之間的連接關(guān)系對(duì)節(jié)點(diǎn)狀態(tài)進(jìn)行學(xué)習(xí)，以準(zhǔn)確的挖掘出柴油機(jī)運(yùn)行過(guò)程中的潛在故障信息.同時(shí)Dual-GraphSAINT是一種歸納式學(xué)習(xí)算法，突破了傳統(tǒng)圖網(wǎng)絡(luò)不能對(duì)未見(jiàn)節(jié)點(diǎn)生成有效嵌入表征的弊端，實(shí)現(xiàn)了對(duì)柴油機(jī)健康狀態(tài)實(shí)時(shí)檢測(cè)的性能.文中所提出的健康監(jiān)測(cè)方案與傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)和深度學(xué)習(xí)方案進(jìn)行比較，獲得了最佳的性能，顯著提高了船舶柴油機(jī)的健康監(jiān)測(cè)效果.

關(guān)鍵詞： 柴油機(jī)；健康監(jiān)測(cè)；圖網(wǎng)絡(luò)

中圖分類號(hào)：U664""" 文獻(xiàn)標(biāo)志碼：A""""" 文章編號(hào)：1673-4807（2024）01-019-08

DOI：10.20061/j.issn.1673-4807.2024.01.004

收稿日期： 2021-08-28""" 修回日期： 2021-04-29

基金項(xiàng)目： 四川交通職業(yè)技術(shù)學(xué)院教改項(xiàng)目（2023-JG-46）

作者簡(jiǎn)介： 熊正華（1971—），男，副教授，研究方向?yàn)榇拜啓C(jī)自動(dòng)控制.E-mail： 1136652013@qq.com

引文格式： 熊正華，尚前明，楊安聲，等.基于圖網(wǎng)絡(luò)的船舶柴油機(jī)健康監(jiān)測(cè)［J］.江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，38（1）：19-26.DOI：10.20061/j.issn.1673-4807.2024.01.004.

Health monitoring of marine diesel engine based on graph network

XIONG Zhenghua1，SHANG Qianmin2，YANG Ansheng2，DU Hongcheng3

（1.Sichuan Transportation Vocational and Technical College， Chengdu 611130，China）

（2.School of Energy and Power Engineering， Wuhan University of Technology， Wuhan 430063， China）

（3.Urban Technician College of Sichuan， Chengdu 610000， China）

Abstract：In order to realize the intelligent condition monitoring of marine diesel engines， the graph network algorithm is introduced. In this paper， a dual graph sampling graph network inductive learning algorithm （Dual-GraphSAINT） is proposed for diesel engine health monitoring. Firstly， in order to fully mine the potential information in the diesel engine vibration signal， the adjacency graph is constructed for the vibration signal and fault state based on the local and global consistency assumptions respectively. Then， the node state is learned based on the connection relationship between the data based on the double adjacency graph， so as to accurately monitor the potential health state during the operation of the diesel engine. At the same time， Dual-GraphSAINT is an inductive learning algorithm， which breaks through the disadvantage that the traditional graph network cannot generate an effective embedded representation of unknown nodes， so it can analyze the health state of diesel engine in real time. The proposed health monitoring scheme obtained the best performance compared with the traditional data-driven and deep learning schemes. The health monitoring performance of the marine diesel engine is significantly improved.

Key words：diesel engine， health monitoring， graph convolution network

隨著工業(yè)與科技的飛速發(fā)展，越來(lái)越多的大型智能柴油機(jī)在船舶中得到了廣泛應(yīng)用.同時(shí)，由于柴油機(jī)設(shè)備的復(fù)雜性和多樣性，使其運(yùn)行過(guò)程中的振動(dòng)信號(hào)受多種不確定因素影響，從而導(dǎo)致潛在的故障特征會(huì)被淹沒(méi)［1-2］.因此如何對(duì)柴油機(jī)潛在的故障特征進(jìn)行有效的提取及分析仍是目前工業(yè)及學(xué)術(shù)界的主要難點(diǎn).智能健康監(jiān)測(cè)技術(shù)在柴油機(jī)健康監(jiān)測(cè)領(lǐng)域取得了非常多的顯著成果［3］.對(duì)于柴油機(jī)的大量監(jiān)控信號(hào)，可以采用神經(jīng)網(wǎng)絡(luò)之類的人工智能技術(shù)代替專家診斷，以快速分析并提取這些監(jiān)控信號(hào)中的潛在故障信息，并通過(guò)有效的學(xué)習(xí)對(duì)系統(tǒng)的健康狀況做出識(shí)別與預(yù)測(cè)［4］.而現(xiàn)有的智能健康監(jiān)測(cè)技術(shù)主要分為特征提取和故障識(shí)別兩大步驟［5］，將現(xiàn)有的智能健康監(jiān)測(cè)技術(shù)分為傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)和深度學(xué)習(xí)兩大類.文獻(xiàn)［6］基于傅里葉變換的方法提取了電動(dòng)機(jī)的故障特征，并通過(guò)馬氏距離的方法來(lái)區(qū)分電動(dòng)機(jī)的健康狀況.文獻(xiàn)［7］首先對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理，然后采用層次網(wǎng)絡(luò)對(duì)健康狀況進(jìn)行分類識(shí)別.文獻(xiàn)［8］通過(guò)特征增強(qiáng)來(lái)對(duì)數(shù)據(jù)信號(hào)進(jìn)行處理以提高振動(dòng)信號(hào)中潛在故障信息的狀態(tài)特征，從而加強(qiáng)對(duì)此類特征信息的學(xué)習(xí).文獻(xiàn)［9］根據(jù)不同的小波分解提取振動(dòng)信號(hào)的統(tǒng)計(jì)特征以獲得潛在的有效信息，并應(yīng)用k-近鄰算法來(lái)識(shí)別健康狀況.文獻(xiàn)［10］專門(mén)設(shè)計(jì)了兩個(gè)功能部件，并使用這些功能部件和相關(guān)矢量來(lái)識(shí)別系統(tǒng)的健康狀況.由于傳統(tǒng)的分類器無(wú)法從原始信號(hào)中提取有效特征，因此，需要人工設(shè)計(jì)特征［11］.這種特征設(shè)計(jì)過(guò)程需要利用信號(hào)處理和故障診斷等知識(shí)，這將花費(fèi)大量的人工并且專業(yè)性要求較高，從而使得自動(dòng)化程度降低.

文獻(xiàn)［12］將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到健康狀態(tài)檢測(cè)過(guò)程中，通過(guò)深度學(xué)習(xí)對(duì)數(shù)據(jù)中潛在故障特征進(jìn)行有效的提取，并根據(jù)提取的特征學(xué)習(xí)到高效的分類模型以解決健康診斷的問(wèn)題.深度學(xué)習(xí)模型克服了傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)的健康監(jiān)測(cè)方案中需要專業(yè)的人員對(duì)數(shù)據(jù)特征進(jìn)行處理的不足，并極大的提高了系統(tǒng)的自動(dòng)化程度.在深度學(xué)習(xí)中，圖網(wǎng)絡(luò)（graph convolution network，GNN）通過(guò)鄰接特征的相關(guān)性自動(dòng)完成特征提取的任務(wù)［13］，并有效的學(xué)習(xí)數(shù)據(jù)之間特殊的拓?fù)潢P(guān)系，使其為健康監(jiān)測(cè)問(wèn)題帶來(lái)了更好的解決方案.但是，目前GNN等相關(guān)算法還沒(méi)有在健康監(jiān)測(cè)上得到很好的應(yīng)用，文中將GNN進(jìn)一步改進(jìn)使其更好的應(yīng)用到柴油機(jī)的健康監(jiān)測(cè).

最近，在圖上進(jìn)行表征學(xué)習(xí)備受關(guān)注，因?yàn)樗鼧O大地促進(jìn)了分類和聚類等任務(wù)，這將為GNN在健康監(jiān)測(cè)領(lǐng)域上提供了良好的應(yīng)用基礎(chǔ).與傳統(tǒng)深度學(xué)習(xí)相比，GNN在學(xué)習(xí)過(guò)程中可以對(duì)節(jié)點(diǎn)的連接邊，節(jié)點(diǎn)信息特征以及數(shù)據(jù)的全局語(yǔ)義結(jié)構(gòu)進(jìn)行學(xué)習(xí).文獻(xiàn)［14］將卷積運(yùn)算推廣到圖域，克服了傳統(tǒng)深度學(xué)習(xí)不能在拓?fù)淇臻g中進(jìn)行推理學(xué)習(xí)的缺陷.因此GNN將只能處理常規(guī)的歐幾里德空間的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）擴(kuò)展到了非歐幾里德空間，并在提取數(shù)據(jù)特征的同時(shí)考慮到了數(shù)據(jù)之間的相關(guān)性.同時(shí)，GNN可以通過(guò)數(shù)據(jù)的鄰接圖，對(duì)相鄰節(jié)點(diǎn)的特征信息進(jìn)行聚合以充分挖掘相鄰節(jié)點(diǎn)中的潛在相關(guān)信息.此外，文獻(xiàn)［15］使用Chebyshev展開(kāi)的局部化濾波器加快了圖卷積的計(jì)算速度.文獻(xiàn)［16］提出進(jìn)行小批量訓(xùn)練，在完整的訓(xùn)練圖中對(duì)每一層的節(jié)點(diǎn)或邊緣進(jìn)行采樣以形成小批量數(shù)據(jù)，通過(guò)學(xué)習(xí)對(duì)不同數(shù)據(jù)圖結(jié)構(gòu)的表征方式來(lái)解決對(duì)未知節(jié)點(diǎn)預(yù)測(cè)的問(wèn)題.然而GNN在實(shí)際應(yīng)用中仍存在以下缺陷：① 鄰居爆炸：隨著模型層數(shù)加深，GNN通過(guò)不斷地學(xué)習(xí)相鄰節(jié)點(diǎn)的潛在信息而使節(jié)點(diǎn)信息最終趨近相同，從而降低模型的性能；② GNN將所有數(shù)據(jù)點(diǎn)作為圖輸入訓(xùn)練，只能處理固定大小的圖結(jié)構(gòu)，因此對(duì)于新生成的樣本點(diǎn)無(wú)法預(yù)測(cè)，必須加入原始數(shù)據(jù)重新學(xué)習(xí)，這在工業(yè)場(chǎng)景中是不利的.

為解決以上問(wèn)題，一種雙圖采樣的圖網(wǎng)絡(luò)歸納式學(xué)習(xí)算法（Dual-GraphSAINT）被提出并應(yīng)用于柴油機(jī)的健康監(jiān)測(cè)中，展示了船舶柴油機(jī)在運(yùn)行過(guò)程中的不同健康監(jiān)測(cè)流程.為充分挖掘柴油機(jī)振動(dòng)信號(hào)中故障特征的潛在信息，分別基于局部與全局一致性假設(shè)，對(duì)振動(dòng)信號(hào)和故障狀態(tài)構(gòu)造鄰接圖.同時(shí)在學(xué)習(xí)過(guò)程中，對(duì)鄰接圖進(jìn)行采樣以構(gòu)造子圖，通過(guò)學(xué)習(xí)節(jié)點(diǎn)的表示方式來(lái)訓(xùn)練模型，使模型可以預(yù)測(cè)新增加的樣本點(diǎn)，這為Dual-GraphSAINT在柴油機(jī)的健康監(jiān)測(cè)中得到實(shí)際應(yīng)用提供了可行性.同時(shí)模型中采用跳躍知識(shí)網(wǎng)絡(luò)（JK-net）［17］解決了“鄰居爆炸”缺陷，最終該算法在柴油機(jī)振動(dòng)信號(hào)上進(jìn)行健康監(jiān)測(cè)驗(yàn)證，取得了優(yōu)越性的結(jié)果.

1" 圖卷積神經(jīng)網(wǎng)絡(luò)方法

定義1：圖通常表示為G=（V，E，A），其中：V表示圖中節(jié)點(diǎn)的數(shù)目；E表示節(jié)點(diǎn)間相連的邊；A表示鄰接矩陣.其中在一個(gè)圖中，vi∈V來(lái)定義一個(gè)節(jié)點(diǎn)，eij=（vi，vj）∈E來(lái)定義兩個(gè)相鄰節(jié)點(diǎn)的邊，鄰接矩陣A是一個(gè)N×N的矩陣，同時(shí)，如果eij∈E，則Aijgt;0，若eijE，則Aij=0.

1.1" 圖卷積神經(jīng)網(wǎng)絡(luò)

從特征空間來(lái)劃分，圖卷積神經(jīng)網(wǎng)絡(luò)可以分為頻域和空域兩個(gè)類型.其中卷積通過(guò)使用圖傅立葉變換將節(jié)點(diǎn)表示轉(zhuǎn)換到光譜域中進(jìn)行卷積；空間卷積通過(guò)考慮節(jié)點(diǎn)鄰域進(jìn)行卷積.圖網(wǎng)絡(luò)可以將原始圖結(jié)構(gòu)數(shù)據(jù)G=（V，E）映射一個(gè)新的特征空間，從而可以對(duì)鄰接節(jié)點(diǎn)的特征充分表示.以圖網(wǎng)絡(luò)為例，第l層神經(jīng)網(wǎng)絡(luò)的特征用hl表示，這樣針對(duì)圖結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)vi在計(jì)算時(shí)，每一層神經(jīng)網(wǎng)絡(luò)的輸出hl+1都可以通過(guò)非線性函數(shù)表示為hl+1=f（hl，A），其中A為特征鄰接矩陣.通過(guò)非線性激活函數(shù)ReLU=σ（·）實(shí)現(xiàn)一個(gè)圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其分層傳播規(guī)則為：

f（hl，A）=σ（D︿-1/2AD︿-1/2hlWl）（1）

式中：D︿=∑ijAij表示矩陣A的對(duì)角矩陣，Wl為第l層圖網(wǎng)絡(luò)的權(quán)值矩陣；通過(guò)分層傳播規(guī)則，圖網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)局部參數(shù)共享的特性帶入了圖結(jié)構(gòu)中，使得每一個(gè)節(jié)點(diǎn)的感受域的范圍隨著傳播層數(shù)的增加而得更大的提升，從而獲取到更多鄰域節(jié)點(diǎn)的信息.

1.2" 基于頻域的圖卷積神經(jīng)網(wǎng)絡(luò)

卷積是CNN中最基本的操作.但是，對(duì)于CNN的標(biāo)準(zhǔn)卷積運(yùn)算不能直接應(yīng)用于圖，因?yàn)閳D缺少網(wǎng)格結(jié)構(gòu).文獻(xiàn)［13］首先將圖拉普拉斯矩陣L引入了來(lái)自譜域的圖數(shù)據(jù)卷積，它在信號(hào)處理中起著與傅立葉基礎(chǔ)相似的作用.傳統(tǒng)的卷積操作只能處理歐式空間的數(shù)據(jù)結(jié)構(gòu)而不能應(yīng)用于非歐幾里德的圖結(jié)構(gòu)中.為克服這個(gè)缺陷，圖網(wǎng)絡(luò)通過(guò)引入圖拉普拉斯矩陣L建立了不同數(shù)據(jù)之間的空間聯(lián)系，具體的圖卷積運(yùn)算W*定義為：

viW*vj=U（（UTvi）⊙（UTvj））（2）

式中，U是L的特征向量.簡(jiǎn)單地說(shuō)，乘以UT將圖振動(dòng)信號(hào)vi和vj變換到頻譜域（即圖傅里葉變換），而乘以U則執(zhí)行逆變換.該定義的有效性基于卷積定理，即卷積運(yùn)算的傅立葉變換是其傅立葉變換的逐元素乘積.然后，振動(dòng)信號(hào)hl可以通過(guò)：

hl+1=UΘUThl（3）

式中，Θ=Θ（Λ）∈RN×N是可學(xué)習(xí)濾波器的對(duì)角矩陣，而Λ是L的特征值.

1.3" 基于空間的圖卷積神經(jīng)網(wǎng)絡(luò)

基于傳統(tǒng)CNN在訓(xùn)練樣本上的卷積操作，圖網(wǎng)絡(luò)根據(jù)節(jié)點(diǎn)的空間關(guān)系定義圖卷積.對(duì)于一般圖，基于空間的圖卷積采用中心節(jié)點(diǎn)通過(guò)其鄰居的聚合來(lái)獲得該節(jié)點(diǎn)的新表示.為了探索節(jié)點(diǎn)接收鄰域信息的深度和廣度，通常的做法是將多個(gè)圖卷積層堆疊在一起.根據(jù)堆疊卷積層的不同方法，基于空間的GNN可以進(jìn)一步分為兩類，即基于循環(huán)的GNN和基于組合的GNN.文獻(xiàn)［18］將幾種現(xiàn)有圖卷積網(wǎng)絡(luò)概括為一個(gè)稱為消息傳遞神經(jīng)網(wǎng)絡(luò)（MPNN）的統(tǒng)一框架. MPNN由兩個(gè)階段組成，即消息傳遞階段和讀取階段.消息傳遞階段實(shí)際上運(yùn)行l(wèi)層基于空間的圖卷積.圖卷積運(yùn)算是根據(jù)消息函數(shù)Mt（·）和更新函數(shù)Ut（·）定義：

（hi）l+1=Ut（（hi）l，∑j∈N（i）Mt（（hi）l，（hj）l，eij））（4）

式中，（hi）l為節(jié)點(diǎn)vi在第l層神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的編碼特征.

2" 基于Dual-GraphSAINT的柴油機(jī)健康監(jiān)測(cè)流程

在Dual-GraphSAINT的柴油機(jī)健康監(jiān)測(cè)算法中，通過(guò)學(xué)習(xí)節(jié)點(diǎn)特征信息的表示方法來(lái)對(duì)新增加的樣本點(diǎn)進(jìn)行預(yù)測(cè).該算法流程如圖1，在訓(xùn)練開(kāi)始之前，首先對(duì)柴油機(jī)振動(dòng)信號(hào)和故障狀態(tài)構(gòu)建鄰接矩陣.其中基于局部一致性假設(shè)，認(rèn)為相似的振動(dòng)信號(hào)應(yīng)該具有相同的標(biāo)簽，因此可根據(jù)k-近鄰對(duì)柴油機(jī)的振動(dòng)信號(hào)構(gòu)建鄰接矩陣A，其中如果eij∈E，Aij=e-‖vi-vj‖2σ2；若eijE，則Aij=0.同時(shí)基于全局一致性假設(shè)，對(duì)于故障狀態(tài)構(gòu)建鄰接矩陣P，以避免被振動(dòng)信號(hào)相似但故障信號(hào)不同的噪聲數(shù)據(jù)影響，其中如果節(jié)點(diǎn)vi與節(jié)點(diǎn)vj標(biāo)簽相同，則Pij=1；若vi與節(jié)點(diǎn)vj標(biāo)簽不相同，則Pij=0.然后在每次迭代訓(xùn)練過(guò)程中，從節(jié)點(diǎn)V中隨機(jī)采樣|Vs|個(gè)節(jié)點(diǎn)，以通過(guò)無(wú)偏估計(jì)近似估計(jì)全圖的訓(xùn)練模型，這樣可以使得模型訓(xùn)練過(guò)程中學(xué)習(xí)不同圖形結(jié)構(gòu)的節(jié)點(diǎn)表示方式，而不是只能處理固定已知圖的數(shù)據(jù)，使的模型無(wú)法對(duì)訓(xùn)練圖以外的新增加的數(shù)據(jù)進(jìn)行預(yù)測(cè).同時(shí)采用SGD的方法來(lái)對(duì)模型參數(shù)進(jìn)行更新以不斷優(yōu)化模型直到達(dá)到最優(yōu)解.每次迭代訓(xùn)練過(guò)程中均獨(dú)立的從大圖中進(jìn)行隨機(jī)采樣，其中采樣子圖定義為Gs（|Vs||V|）. 然后，建立全連接的雙圖GNN層以生成嵌入表示，可以通過(guò)以下方式計(jì)算：

ha，l+1=σ（A︿sha，lWa，l）（5）

hp，l+1=σ（P︿shp，lWp，l）（6）

式中：h為Vs對(duì)應(yīng)的采樣節(jié)點(diǎn)，代表柴油機(jī)振動(dòng)信號(hào)；A︿s為采樣后的振動(dòng)信號(hào)的鄰接子圖；P︿s表示采樣后故障狀態(tài)的鄰接子圖；W為參數(shù)矩陣，其中下標(biāo)a和p分別對(duì)應(yīng)的是A︿s和P︿s所在的卷積層，l對(duì)應(yīng)第l層神經(jīng)網(wǎng)絡(luò).文中采用三層GNN，利用鄰接矩陣在每個(gè)消息傳遞步驟中實(shí)現(xiàn)鄰域信息的完全線性混合，可以有效地訓(xùn)練聚合參數(shù)，使模型學(xué)得針對(duì)不同圖結(jié)構(gòu)的節(jié)點(diǎn)的表示形式.同時(shí)引用了一種跳躍知識(shí)網(wǎng)絡(luò)（JK-net）［17］以克服信息在傳遞與學(xué)習(xí)的過(guò)程中“信息爆炸”帶來(lái)的危害，并可以靈活地利用每個(gè)節(jié)點(diǎn)的不同鄰域范圍節(jié)點(diǎn)信息來(lái)學(xué)習(xí)更好的結(jié)構(gòu)感知表示.文獻(xiàn)［17］具有一個(gè)額外的最終層，該層聚集了圖卷積層1到3的所有輸出隱藏特征，其中聚合層輸出hJK：

hJK=σ（WTJK·（3l=1ha，l+3l=1hp，l））（7）

式中，是向量聚合運(yùn)算，可以是最大池化，串聯(lián)或基于LSTM的聚合［17］，文中采用串聯(lián)運(yùn)算符聚合所有隱藏特征.最后將模型挖掘的潛在特征hJK送入一個(gè)GNN層并通過(guò)softmax函數(shù)實(shí)現(xiàn)對(duì)柴油機(jī)不同健康狀態(tài)的預(yù)測(cè)：

Hs=softmax（A︿shJKWJK）（8）

對(duì)于Dual-GraphSAINT的健康監(jiān)測(cè)算法的優(yōu)化，采用交叉熵?fù)p失：

Lbatch=∑Gs∈GYslogHS（9）

式中，Ys為從柴油機(jī)健康狀態(tài)Y中采樣子圖對(duì)應(yīng)的標(biāo)簽.傳統(tǒng)的圖網(wǎng)絡(luò)只能針對(duì)固定已知圖進(jìn)行訓(xùn)練，而對(duì)圖結(jié)構(gòu)以外的未知的節(jié)點(diǎn)不能預(yù)測(cè)，這就使傳統(tǒng)的圖網(wǎng)絡(luò)算法在實(shí)際柴油機(jī)健康監(jiān)測(cè)的應(yīng)用過(guò)程中無(wú)法對(duì)新生成的振動(dòng)信號(hào)進(jìn)行實(shí)時(shí)檢測(cè)與識(shí)別.針對(duì)這個(gè)缺點(diǎn)，通過(guò)圖采樣的訓(xùn)練方法，采用無(wú)偏估計(jì)近似訓(xùn)練出原圖模型，使模型學(xué)到對(duì)不同圖結(jié)構(gòu)節(jié)點(diǎn)的表示方法，從而可以對(duì)圖結(jié)構(gòu)以外的新增加的數(shù)據(jù)進(jìn)行預(yù)測(cè).因此Dual-GraphSAINT是歸納式學(xué)習(xí)算法，可以將訓(xùn)練好的模型應(yīng)用到實(shí)際的柴油機(jī)健康狀態(tài)檢測(cè)的過(guò)程中.并且，為了最大化利用柴油機(jī)振動(dòng)信號(hào)的潛在信息，分別對(duì)振動(dòng)信號(hào)和故障狀態(tài)構(gòu)建鄰接矩陣，通過(guò)從局部和全局的角度對(duì)柴油機(jī)振動(dòng)信號(hào)的數(shù)據(jù)特征進(jìn)行充分學(xué)習(xí)與挖掘，使其對(duì)測(cè)試集的正常工況數(shù)據(jù)與故障工況數(shù)據(jù)可以達(dá)到最佳的分類效果.Dual-GraphSAINT 的偽代碼如算法1.

算法 1." Dual-GraphSAINT framework

輸入： 訓(xùn)練圖G=（V，E，A，P）；柴油機(jī)健康狀態(tài)Y.

輸出： 對(duì)未知故障狀態(tài)的預(yù)測(cè)值

Process：

1： 初始化：

2： 構(gòu)建實(shí)例特征鄰接矩陣A和標(biāo)簽鄰接矩陣P

2： for each minibatch do

3：" 子圖采樣Gs（其中|Vs||V|），分別對(duì)A︿，P︿s進(jìn)行采樣；

4：" 根據(jù)公式（5）（6）（7）（8）對(duì)采樣子圖進(jìn)行GNN全連接訓(xùn)練；

5：" 最小化公式（9）并通過(guò)反向傳播更新權(quán)值；

6： end for

3" 基于柴油機(jī)健康監(jiān)測(cè)的實(shí)驗(yàn)研究

3.1" 數(shù)據(jù)描述

文中將四沖程船舶柴油機(jī)作為驗(yàn)證健康狀態(tài)監(jiān)測(cè)方案有效性的研究對(duì)象，通過(guò)對(duì)船舶柴油機(jī)運(yùn)行過(guò)程中健康狀態(tài)檢測(cè)識(shí)別的準(zhǔn)確率來(lái)評(píng)價(jià)不同算法的有效性［18］.振動(dòng)信號(hào)和轉(zhuǎn)速信號(hào)可以展示柴油機(jī)的狀態(tài)信息數(shù)據(jù).但是轉(zhuǎn)速信號(hào)的波動(dòng)是由氣體壓力的切向力以及活塞和連桿往復(fù)運(yùn)動(dòng)引起的垂直不平衡慣性力造成的，反映更多的是柴油機(jī)燃燒過(guò)程中的故障.而振動(dòng)信號(hào)包含了往復(fù)運(yùn)動(dòng)、旋轉(zhuǎn)運(yùn)動(dòng)、機(jī)械沖擊和氣體的高速流動(dòng)等豐富的信息.能夠反映出更多的柴油機(jī)狀態(tài)信息.因此文中基于振動(dòng)信號(hào)的分析是對(duì)內(nèi)燃機(jī)健康狀態(tài)監(jiān)測(cè)的重要途徑.圖2為故障監(jiān)測(cè)方案中使用的船舶柴油機(jī)測(cè)試平臺(tái).其中表1顯示了測(cè)試臺(tái)對(duì)船舶柴油機(jī)在4個(gè)不同工況以及模擬方案的介紹.文中以3 200個(gè)數(shù)據(jù)點(diǎn)為一個(gè)采樣周期.為保證數(shù)據(jù)的均衡性，對(duì)于每種工況下，對(duì)轉(zhuǎn)速穩(wěn)定后的柴油機(jī)進(jìn)行200組采樣，總共800組.在實(shí)驗(yàn)中，對(duì)采集的船舶柴油機(jī)的振動(dòng)信號(hào)進(jìn)行隨機(jī)打亂并提取其中的五分之一作為測(cè)試集，其余振動(dòng)信號(hào)設(shè)為訓(xùn)練集.

故障設(shè)置現(xiàn)場(chǎng)操作如圖3.

文中所采集船舶柴油機(jī)在4個(gè)不同工況下的振動(dòng)信號(hào)時(shí)域，如圖4.

3.2" 基于傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的柴油機(jī)健康監(jiān)測(cè)結(jié)果

文中所提出的Dual-GraphSAINT算法對(duì)柴油機(jī)健康監(jiān)測(cè)方案的性能將與傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)以及卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)方案進(jìn)行對(duì)比.傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方案根據(jù)人工設(shè)計(jì)特征和簡(jiǎn)單分類器實(shí)現(xiàn)對(duì)未知數(shù)據(jù)健康狀態(tài)的預(yù)測(cè).而卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)方案通過(guò)從振動(dòng)信號(hào)數(shù)據(jù)中進(jìn)行潛在特征信息提取然后通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)檢測(cè)，達(dá)到端到端監(jiān)測(cè)的目的，最終根據(jù)從原始數(shù)據(jù)學(xué)習(xí)的信息實(shí)現(xiàn)對(duì)未知數(shù)據(jù)健康狀態(tài)的預(yù)測(cè).

所有的算法都是基于python 3.6.8編寫(xiě)的，特別是深度學(xué)習(xí)模型是通過(guò)pytorch框架進(jìn)行訓(xùn)練測(cè)試.同時(shí)模型在訓(xùn)練過(guò)程中會(huì)因?yàn)閿?shù)據(jù)量的大小，迭代次數(shù)設(shè)置不同而使模型訓(xùn)練時(shí)間有所差別，但在訓(xùn)練好的模型中，運(yùn)算速度非?？?，可以達(dá)到實(shí)時(shí)檢測(cè).

3.2.1" 傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法

傳統(tǒng)人工設(shè)計(jì)進(jìn)行特征提取的方法是將柴油機(jī)運(yùn)行過(guò)程中的振動(dòng)的信號(hào)進(jìn)行提取，通過(guò)在時(shí)域與頻域上進(jìn)行分析統(tǒng)計(jì)，使其幅值、能量分布等特征隨著時(shí)間變化的規(guī)律用統(tǒng)計(jì)學(xué)方法進(jìn)行描述.一般而言，柴油機(jī)設(shè)備的健康狀態(tài)是根據(jù)時(shí)域波形的不同并分析其內(nèi)在變化而判斷的；而頻域分析的目的是對(duì)柴油機(jī)振動(dòng)信號(hào)中的組成部分進(jìn)行分析判斷.針對(duì)以上方法可以將柴油機(jī)振動(dòng)信號(hào)通過(guò)統(tǒng)計(jì)參數(shù)（表2）進(jìn)行分析表示.研究中，將時(shí)域、頻域特征統(tǒng)計(jì)參數(shù)組合起來(lái)構(gòu)成的融合特征向量作為信號(hào)的初始特征，可有效彌補(bǔ)單一時(shí)域或者頻域特征的不足.

在傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法中，當(dāng)大量具有人工設(shè)計(jì)的27個(gè)高維特征作為振動(dòng)信號(hào)同時(shí)輸入到訓(xùn)練模型時(shí)，直接對(duì)信號(hào)進(jìn)行學(xué)習(xí)分類，容易造成維數(shù)災(zāi)難，導(dǎo)致潛在的真實(shí)故障特征被大量的噪聲數(shù)據(jù)所淹沒(méi)，從而降低分類器的有效性，所以需要對(duì)原始的高維特征進(jìn)行篩選.文中為驗(yàn)證Dual-GraphSAINT算法對(duì)柴油機(jī)健康狀態(tài)監(jiān)測(cè)的有效性，采用支持向量機(jī)（SVM），極限學(xué)習(xí)機(jī)（ELM）和隨機(jī)森林（Random Forest）等傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)算法作為對(duì)比進(jìn)行故障狀態(tài)監(jiān)測(cè)的有效性驗(yàn)證.通過(guò)以上傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)算法在故障診斷結(jié)果上的準(zhǔn)確性對(duì)比，得到最優(yōu)算法，其SVM，ELM和Random Forest算法的平均準(zhǔn)確率分別為87.1%，89.7%和90.1%.由此可知，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法在進(jìn)行柴油機(jī)健康監(jiān)測(cè)中，平均準(zhǔn)確率均超過(guò)87%，這主要是由于文中采用了大量的時(shí)、頻域統(tǒng)計(jì)參數(shù)特征融合的方式來(lái)表示原振動(dòng)信號(hào).同時(shí)，在所比較算法中，Random Forest算法對(duì)船舶柴油機(jī)的健康診斷結(jié)果表現(xiàn)出最佳效果，達(dá)到了90.1%，這得利于其利用了集成學(xué)習(xí)思想，將多個(gè)決策樹(shù)組合起來(lái)，最終通過(guò)“博采眾長(zhǎng)”達(dá)到較好的健康監(jiān)測(cè)效果.

3.2.2" 傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)

如圖5，通過(guò)不同的優(yōu)化器來(lái)訓(xùn)練模型使傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在柴油機(jī)健康監(jiān)測(cè)方案達(dá)到最佳的效果.同時(shí)為驗(yàn)證傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)振動(dòng)信號(hào)特征提取的有效性，將27個(gè)特征直接作為輸入.在本文研究中，每個(gè)優(yōu)化器的參數(shù)都是由默認(rèn)值和實(shí)驗(yàn)確定［19］，其具體值為表3.

由表3分類結(jié)果可知，基于不同的優(yōu)化器傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在柴油機(jī)上的健康檢測(cè)效果均達(dá)到了97%以上的準(zhǔn)確率.在訓(xùn)練時(shí)間上，相對(duì)于SGD優(yōu)化器，Adam、Adabound能夠快速收斂于較好的結(jié)果，SGD優(yōu)化器雖然收斂速率慢但隨著訓(xùn)練迭代過(guò)程的不斷增多最終模型的準(zhǔn)確率達(dá)到了較好的效果.而在整體學(xué)習(xí)過(guò)程中，Adabound優(yōu)化器在訓(xùn)練過(guò)程中達(dá)到了最佳的精度，最終的健康狀態(tài)預(yù)測(cè)率達(dá)到了98.8%.因此將以Adabound優(yōu)化器為基準(zhǔn)的深度學(xué)習(xí)模型與文中提出的Dual-GraphSAINT算法進(jìn)行健康監(jiān)測(cè)比較.

3.3" 雙圖采樣的圖網(wǎng)絡(luò)歸納式算法

文中提出基于柴油機(jī)健康監(jiān)測(cè)的雙圖采樣圖網(wǎng)絡(luò)歸納式學(xué)習(xí)算法，對(duì)原圖進(jìn)行不斷地隨機(jī)采樣，通過(guò)無(wú)偏估計(jì)近似的估計(jì)出原圖模型，以學(xué)習(xí)歸納式的圖表示算法，從而克服傳統(tǒng)的圖網(wǎng)絡(luò)只能針對(duì)固定已知圖進(jìn)行訓(xùn)練，而對(duì)未知不可見(jiàn)的點(diǎn)不能應(yīng)用的缺點(diǎn).這就可以將訓(xùn)練好的模型應(yīng)用到實(shí)際柴油機(jī)的健康狀態(tài)監(jiān)測(cè)過(guò)程.并且，文中為了在健康監(jiān)測(cè)中最大化利用柴油機(jī)振動(dòng)信號(hào)的潛在特征，分別建立實(shí)例特征鄰接圖和標(biāo)簽鄰接圖，通過(guò)從局部和全局的角度對(duì)柴油機(jī)振動(dòng)信號(hào)的數(shù)據(jù)特征進(jìn)行充分學(xué)習(xí)與挖掘，使其對(duì)測(cè)試集的正常工況數(shù)據(jù)與故障工況數(shù)據(jù)可以達(dá)到最佳的分類效果.其中表4列出了不同參數(shù)配置實(shí)驗(yàn)以確定最優(yōu)參數(shù).

根據(jù)實(shí)驗(yàn)結(jié)果，Dual-GraphSAINT算法在學(xué)習(xí)過(guò)程中的相關(guān)參數(shù)設(shè)置為：學(xué)習(xí)率為0.01， Dropout為0.1，采樣子圖節(jié)點(diǎn)數(shù)為1 000，根據(jù)隨機(jī)游走進(jìn)行采樣并且隨機(jī)游走長(zhǎng)度為2.同時(shí)在學(xué)習(xí)過(guò)程中，圖網(wǎng)絡(luò)不同層的特征維度為{128，256，512}.

文中所用不同機(jī)器學(xué)習(xí)方法的健康監(jiān)測(cè)性能對(duì)比結(jié)果如圖6，通過(guò)采用箱線圖來(lái)對(duì)不同健康監(jiān)測(cè)方案的性能進(jìn)行對(duì)比分析.在傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的方法中，Random Forest在診斷穩(wěn)定性方面比ELM和SVM更具有優(yōu)勢(shì)，但其性能低于深度學(xué)習(xí)模型.這主要是由于傳統(tǒng)算法只能針對(duì)給定數(shù)據(jù)特征做運(yùn)算，對(duì)數(shù)據(jù)之間的潛在信息以及內(nèi)在相關(guān)性等無(wú)法學(xué)習(xí)，很多潛在故障特征被大量的其他因素導(dǎo)致的振動(dòng)信號(hào)所淹沒(méi)，從而使得學(xué)習(xí)性能下降.因此，在傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的方法中，柴油機(jī)的特征設(shè)計(jì)對(duì)模型的診斷性能有主導(dǎo)的影響.而深度學(xué)習(xí)模型可以通過(guò)卷積操作對(duì)潛在的柴油機(jī)故障特征進(jìn)行信息提取和挖掘以克服了傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的方法中人工數(shù)據(jù)設(shè)計(jì)存在的缺陷與不足，使得這種端到端的學(xué)習(xí)模型更加方便有效并且使模型達(dá)到了98.8%測(cè)試準(zhǔn)確率.同時(shí)為了更好的說(shuō)明Dual-GraphSAINT算法的優(yōu)越性，文中與圖注意力網(wǎng)絡(luò)（GAT）［21-22］進(jìn)行對(duì)比，需要對(duì)柴油機(jī)的振動(dòng)信號(hào)進(jìn)行處理.首先，與Dual-GraphSAINT方法相同，對(duì)柴油機(jī)的振動(dòng)信號(hào)構(gòu)建鄰接圖，但在訓(xùn)練過(guò)程中我們需要將訓(xùn)練，測(cè)試數(shù)據(jù)同時(shí)輸入模型，并對(duì)測(cè)試數(shù)據(jù)集的標(biāo)簽進(jìn)行遮住.這樣訓(xùn)練的模型最終達(dá)到99.2%的測(cè)試準(zhǔn)確率.但這個(gè)算法的弊端是要對(duì)所有的數(shù)據(jù)構(gòu)造鄰接圖進(jìn)行學(xué)習(xí)，這在柴油機(jī)的實(shí)際應(yīng)用中是不利的.為解決這個(gè)問(wèn)題，文中所提出的Dual-GraphSAINT算法，振動(dòng)信號(hào)的鄰接圖，有效的挖掘現(xiàn)在的相關(guān)特征以提高柴油機(jī)健康監(jiān)測(cè)的準(zhǔn)確率，最終實(shí)現(xiàn)的準(zhǔn)確率接近100%.并通過(guò)圖采樣方法來(lái)學(xué)習(xí)不同圖形結(jié)構(gòu)的節(jié)點(diǎn)表示方式，從而可以對(duì)新增加的樣本點(diǎn)進(jìn)行實(shí)時(shí)檢測(cè).文中將圖網(wǎng)絡(luò)改進(jìn)并應(yīng)用到實(shí)際應(yīng)用場(chǎng)景中，并在柴油機(jī)健康監(jiān)測(cè)方案中取得了優(yōu)越性結(jié)果.

通過(guò)將Dual-GraphSAINT算法的健康監(jiān)測(cè)結(jié)果可視化，可更直觀的體現(xiàn)出圖網(wǎng)絡(luò)在柴油機(jī)健康監(jiān)測(cè)方案中的優(yōu)越性結(jié)果.在圖7中，左圖中4種不同模塊的節(jié)點(diǎn)分別代表4種工況下的振動(dòng)信號(hào)，而頂點(diǎn)表示測(cè)試節(jié)點(diǎn)，用于驗(yàn)證Dual-GraphSAINT算法的有效性.右圖則表示Dual-GraphSAINT算法對(duì)驗(yàn)證振動(dòng)信號(hào)的預(yù)測(cè)結(jié)果，從圖中可以看出預(yù)測(cè)結(jié)果分別在所屬于自己的分類簇中，達(dá)到了接近100%的準(zhǔn)確性.并且在交叉的振動(dòng)信號(hào)中，可見(jiàn)其中兩種特征是非常相似的，但是文中算法Dual-GraphSAINT可以充分挖掘信號(hào)特征中的潛在信息，從而可以達(dá)到精準(zhǔn)的分類預(yù)測(cè)效果.

4" 結(jié)論

（1） 傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法Random Forest表現(xiàn)效果最佳，達(dá)到了90.1%的準(zhǔn)確率，但較CNN跟Dual-GraphSAINT算法相比，性能較差，這很大程度上取決于特征設(shè)計(jì)與特征篩選的過(guò)程中不能很好的挖掘和利用潛在的有用信息.

（2） CNN算法在Adabound優(yōu)化器下訓(xùn)練集和測(cè)試集上均能達(dá)到較高的準(zhǔn)確率，較傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法，CNN在柴油機(jī)健康監(jiān)測(cè)領(lǐng)域具有更好的性能，這主要原因是CNN可以通過(guò)卷積操作多尺度的學(xué)習(xí)數(shù)據(jù)中的特征，因此能達(dá)到較好的預(yù)測(cè)結(jié)果.

（3） 所提出的Dual-GraphSAINT算法，在所有健康監(jiān)測(cè)對(duì)比算法中以及不同的柴油機(jī)運(yùn)行工況下均達(dá)到了最佳的性能.這主要?dú)w因于雙圖結(jié)構(gòu)的圖網(wǎng)絡(luò)，分別對(duì)特征和標(biāo)簽關(guān)系構(gòu)建鄰接圖，使得Dual-GraphSAINT模型在學(xué)習(xí)過(guò)程中可以充分的挖掘相鄰特征的潛在關(guān)系.

（4） 通過(guò)引入JK-net，使模型可以靈活地利用每個(gè)節(jié)點(diǎn)的不同鄰域范圍的特征來(lái)實(shí)現(xiàn)更好的結(jié)構(gòu)感知表示.

（5） 與GAT相比，Dual-GraphSAINT算法是一種歸納式圖網(wǎng)絡(luò)，可以將模型應(yīng)用到不可見(jiàn)的節(jié)點(diǎn)上，從而克服了圖網(wǎng)絡(luò)在柴油機(jī)健康監(jiān)測(cè)的過(guò)程可對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行檢測(cè)與識(shí)別的缺陷.

（6） 所用的振動(dòng)信號(hào)均在同一轉(zhuǎn)速下采集到，考慮到實(shí)際情況下，柴油機(jī)的工作并不是在同一轉(zhuǎn)速下.所以，將進(jìn)一步研究雙圖采樣的圖網(wǎng)絡(luò)歸納式學(xué)習(xí)算法在不同轉(zhuǎn)速情況下的性能.

參考文獻(xiàn)（References）

［1］" WANG R， CHEN H， GUAN C， et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest［J］. Applied Ocean Research， 2021， 112（2）：102681.

［2］" 岳應(yīng)娟，王旭，蔡艷平. 內(nèi)燃機(jī)變分模態(tài)Rihaczek譜紋理特征識(shí)別診斷［J］. 儀器儀表學(xué)報(bào)， 2017， 38（10）： 2437-2445.

［3］" PACHECO F， OLIVEIRA J V， SNCHEZ， R V， et al. A statistical comparison of neuroclassifiers and feature selection methods for gearbox fault diagnosis under realistic conditions［J］. Neurocomputing， 2016，194：192-206.

［4］" LIU J， WANG W， GOLNARAGHI F. An enhanced diagnostic scheme for bearing condition monitoring［J］. IEEE Transactions on Instrumentation amp; Measurement， 2010， 59（2）：309-321.

［5］" SHEN Changqing， WANG Dong， KONG Fanrang，et al. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier［J］. Measurement， 2013， 46（4）：1551-1564.

［6］" GEORGOULAS G， CLIMENTE A V， ANTONINO J A， et al. The use of a multilabel classification framework for the detection of broken bars and mixed eccentricity faults based on the start-up transient［J］. IEEE Transactions on Industrial Informatics， 2017，2：625-634.

［7］" PRIETO M D， CIRRINCIONE G， ESPINOSA A G， et al. Bearing fault detection by a novel condition-monitoring scheme based on statistical-time features and neural networks［J］. IEEE Transactions on Industrial Electronics， 2013， 60（8）：3398-3407.

［8］" GONDAL I， AMAR M， WILSON C. Vibration spectrum imaging： A novel bearing fault classification approach［J］. IEEE Transactions on Industrial Electronics， 2014， 62（1）：494-502.

［9］" WANG D. K-nearest neighbors based methods for identification of different gear crack levels under different motor speeds and loads： Revisited［J］. Mechanical Systems amp; Signal Processing， 2016，（70/71）：201-208.

［10］" LEI Y， LIU Z， WU X， et al. Health condition identification ofmulti-stage planetary gearboxes using a mRVM-based method［J］. Mechanical Systems amp; Signal Processing， 2015，（60/61）：289-300.

［11］" ZENG N， WANG Z， ZHANG H， et al. Deep belief networks for quantitative analysis of a gold immunochromatographic strip［J］. Cognitive Computation， 2016， 8（4）：684-692.

［12］" JANSSENS O， SLAVKOVIKJ V， VERVISCH B， et al. Convolutional neural network based fault detection for rotating machinery［J］， Journal of Sound and Vibration， 2016， 377： 331-345.

［13］" WU Z， PAN S， CHEN F， et al. A comprehensive survey on graph neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021，32（1）：4-24.

［14］" JOAN B， WOJCIECH Z， ARTHUR S， et al. Spectral networks and locally connected networks on graphs［J］. Computer Sciences， 2013，1312：6203.

［15］" KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［J］. Mathernatics，2016，9：02907.

［16］" WILL H， ZHITAO Y， JURE L. Inductive representation learning on large graphs［J］. Advances in Neural Information Processing Systems， 2017，30：1024–1034.

［17］" KEYULU X， CHENGTAO L， YONGLONG T， et al. Representation learning on graphs with jumping knowledge networks［C］∥International Conference on Learning Representation. Ababa，Ethiopia：［s.n.］，2020.

［18］" GILMER J， SCHOENHOLZ S S， RILEY P F， et al. Neural message passing for quantum chemistry［J］. Proceedings of Machine Learning Research， 2017，70：1263-1272.

［19］" 周安眾，羅可.一種卷積神經(jīng)網(wǎng)絡(luò)的稀疏性Dropout正則化方法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2018，39（8）：1674-1679.

（責(zé)任編輯：貢洪殿）