一个新颖的无监督图波自编码器用于机械系统故障检测
摘要：可靠的故障检测是各种工业应用中复杂机械系统安全高效运行的基本要求。尽管现有方法丰富并且故障检测研究领域成熟，但通常忽视了条件监测数据之间的相互依赖关系。最近，图神经网络被提出作为学习数据之间相互依赖的解决方案，图自编码器（GAE）架构类似于标准自编码器，在故障检测中得到了广泛应用。然而，GAE和图变分自编码器（GVAE）都具有固定的接受域，限制了它们提取多尺度特征和模型性能的能力。为了克服这些限制，我们提出了两个图神经网络模型：图小波自编码器（GWAE）和图小波变分自编码器（GWVAE）。GWAE主要包含谱图小波卷积（SGWConv）编码器和特征解码器，而GWVAE是GWAE的变分形式。所开发的SGWConv是基于谱图小波变换构建的，可以通过将图信号分解为一个尺度函数系数和多个谱图小波系数来实现多尺度特征提取。为了实现无监督的机械系统故障检测，我们将采集的系统信号转化为PathGraph，考虑每个数据样本的邻居关系。然后，通过评估正常和异常样本的重构误差来实现故障检测。我们在从燃料控制系统收集的两个条件监测数据集和从阀门收集的一个声学监测数据集上进行了实验。结果表明，与比较方法相比，所提出的方法的性能提高了约3％~4％。
作者：Tianfu Li, Chuang Suna, Ruqiang Yan, Xuefeng Chen, Olga Fink
论文ID：2307.10676
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-21