一种用于机械系统故障检测的新型无监督图小波自编码器
信号处理
2024-08-19 v3
摘要
可靠的故障检测是复杂机械系统在各种工业应用中安全高效运行的必要要求。尽管现有方法丰富且故障检测研究领域已趋成熟,监测数据之间的相互依赖关系却常被忽视。近来,图神经网络被提出作为学习数据间相互依赖关系的解决方案,并且图自编码器(GAE)架构类似于标准自编码器,已在故障检测中获得广泛使用。然而,GAE 与图变分自编码器(GVAE)均具有固定感受野,限制了其提取多尺度特征与建模性能的能力。为克服这些局限,我们提出两种图神经网络模型:图小波自编码器(GWAE)与图小波变分自编码器(GWVAE)。GWAE 主要由谱图小波卷积(SGWConv)编码器与特征解码器组成,而 GWVAE 是 GWAE 的变分形式。所开发的 SGWConv 建立在谱图小波变换之上,可通过将图信号分解为一个尺度函数系数与若干谱图小波系数来实现多尺度特征提取。为实现无监督机械系统故障检测,我们通过考虑每个数据样本的邻域关系将所采集的系统信号转换为 PathGraph。随后通过评估正常与异常样本的重构误差来实现故障检测。我们在来自燃料控制系统的两个状态监测数据集与来自阀门的一个声学监测数据集上进行了实验。结果表明,相较对比方法,所提方法性能提升约 3%~4%。
引用
@article{arxiv.2307.10676,
title = {A Novel Unsupervised Graph Wavelet Autoencoder for Mechanical System Fault Detection},
author = {Tianfu Li and Chuang Sun and Ruqiang Yan and Xuefeng Chen},
journal= {arXiv preprint arXiv:2307.10676},
year = {2024}
}