0.   引　　言

刮板输送机作为工作面实现机械化采煤的重要设备之一，承担着从工作面向外输送原煤的关键任务。为适应智能化发展需求，刮板输送机不断向长运距、大运量、高可靠性、智能化方向发展^[1]。在高效、高产的综采工作面中，刮板输送机面临着复杂的负载变化和恶劣的工况^[2]。其正常运行与安全使用对于确保矿井生产效率和提高企业效益具有重要意义，因此，及时识别刮板输送机当前健康状态十分重要。通过对刮板输送机健康状态的准确识别，可以实现其故障预测和预防性维护管理，增加其可靠性和可用性，降低故障发生概率，提高设备寿命，并减少故障导致的生产停工和维修成本^[3]。

现阶段通过各种传感器采集刮板输送机状态信息，利用信号处理、深度学习、人工智能等新兴技术来完成刮板输送机健康管理已逐步成为趋势，但在刮板输送机健康管理中的健康状态识别领域研究较为不足，现有研究多集中在运行工况故障诊断、中部槽磨损预测、减速器滚动轴承故障诊断等领域。丁华等^[4]提出了一种基于分布式深度神经网络的刮板输送机启停工况故障诊断方法，采用深度神经网络对数据融合及数图转化等方法，实现刮板输送机启停工况故障诊断。杨俊叶等^[5]构建了适用于刮板输送机中部槽磨损预测的卷积神经网络(Convolutional Neural Network, CNN)结构，利用粒子群算法(Particle Swarm Optimization, PSO)对卷积神经网络的权值进行评估寻优，避免网络陷入局部最优。于国英等^[6]建立基于模糊神经网络的刮板输送机故障诊断模型，研究模糊聚类的依据以及径向基神经神经网络的学习流程。原志明等^[7]提出了一种基于子空间学习的刮板输送机减速器轴承变化工况故障诊断方法，该方法首先对原始信号进行快速傅里叶变换，然后利用主成分分析法将原始信号频谱能量映射到高维空间，最终利用支持向量机分类器分类滚动轴承的故障类型。王金辉等^[8]研究了深度稀疏编码的原理、结构和学习算法，并将深度稀疏自编码网络应用于刮板输送机减速器滚动轴承的故障诊断。马海龙等^[9]构建了以模糊理论为基础的模糊专家系统，通过经验数据和专家经验给出模糊关系矩阵和隶属函数，实现了刮板输送机减速机故障征兆和故障原因的模糊关系表达。但以上方法都未涉及刮板输送机健康状态识别，故现阶段进行刮板输送机健康状态识别研究意义重大。

传统的机械设备健康状态识别多使用卷积网络^[10]、长短期记忆递归神经网络(Long Short Term Memory Network)^[11]、全连接网络^[12]等基于规则网格结构进行识别的方法，但刮板输送机组成结构复杂^[13]，部件之间存在强耦合性，传统方法无法充分捕捉刮板输送机多部件之间的耦合关系。同时刮板输送机工作环境恶劣，监测数据异常值较多，传统的机械设备健康指标构建方法易受异常值影响，同时对人工经验依赖较多。图神经网络可以表达多部件系统之间的耦合关系，有效地提取系统的耦合特征，其识别效果主要依赖于耦合结构（也叫图结构）的构造方法。现有图结构构造方法研究多集中于先验图结构及相似性度量图结构。先验图结构方面，KONG等^[14]考虑了涡扇发动机结构信息的先验知识，考虑传感器之间的影响，构造涡扇发动机的个体传感器交互结构图；ZHANG等^[15]考虑个体间的故障关系，构造交互结构图，依据现实中观测到的故障联系数量确定交互权重。相似性度量图结构方面，ZHANG等^[16]使用轴承数据个体之间的欧氏距离作为K近邻算法(K-Nearest Neighbors, KNN)的距离计算方式，最终构造交互结构图；XIAO等^[17]使用归一化欧氏距离作为个体之间的相似性度量值，同时基于相似性度量值构造了权重分配方法，最终获得个体间的作用强度，从而构造带权交互结构图。先验图结构及相似性度量图结构各有优点，但现有研究少有从多种图结构信息融合出发，故识别准确率不佳。

综上所述，为了克服现阶段刮板输送机健康状态识别存在的问题，提出一种基于多种图结构信息融合的刮板输送机健康状态识别方法，该方法对刮板输送机健康状态识别研究具有重要意义。

1.   基于SA-NF-VAE的刮板输送机健康指标构建

1.1   刮板输送机监测指标选取

刮板输送机是集电力、机械和液压系统与一身的设备，通过分析刮板输送机关键部件特点^[13],在参考国内外文献、搜集数据及咨询专家的基础上，基于参数指标选取遵循的可测性、独立性、客观性与代表性原则^[18]，筛选出对刮板输送机健康状态影响较大的18个健康状态监测指标，如图1所示。

图  1  刮板输送机健康状态监测指标

Figure  1.  Scraper conveyor health status monitoring indicators

下载: 全尺寸图片 幻灯片

1.2   基于SA-NF-VAE的健康指标构建

在刮板输送机健康状态识别中，基于变分自编码器（VAE）可以无监督地自动构建刮板输送机健康指标，将其拟合为多维高斯分布，使用均值向量和协方差矩阵表示健康指标分布的位置和形状，克服数据异常值对指标构建的影响。在实际应用中，健康指标的潜在空间非常复杂，多维高斯分布难以表达其复杂的关系，故提出基于SA-NF-VAE的健康指标构建方法，首先使用自注意力机制，使网络注意到样本间不同位置的相关性，完成样本重构，使其更好表征样本的非线性特征信息；下一步使用标准化流算法将健康指标特征从符合高度复杂分布映射为趋近较简单的多维高斯分布，使用变分自编码模型建模，将多维高斯分布与先验分布（标准正态分布）逐步拟合，通过重参数化技巧完成采样；最后将采样向量进行标准化流逆变换得到最终的刮板输送机健康指标。这种方法等同于隐式建模出了能表征健康指标的复杂分布，且重参数化技巧的采样过程等价于在复杂分布中进行重采样，从而更加有效地表达了健康指标中的复杂关系，图2为刮板输送机健康指标构建流程。

图  2  基于SA-NF-VAE的刮板输送机健康指标构建

Figure  2.  Construction of health indicators of scraper conveyor based on SA-NF-VAE

下载: 全尺寸图片 幻灯片

基于SA-NF-VAE的健康指标构建方法输入为18路监测指标得到的信号，首先通过非线性层完成样本非线性信息提取，公式如下：

式中：$ {{\boldsymbol{Y}}_l} $为编码器中第$ l $层隐藏层的输出结果；$ L $为编码器的层数；$ \sigma ( \cdot ) $为非线性激活函数；X为18路监测指标得到的信号特征矩阵；$ {{\boldsymbol{w}}_l} $和$ {{\boldsymbol{b}}_l} $分别为第$ l $层的权值矩阵和偏置。

编码器最终的输出为刮板输送机健康指标的非线性特征。然后基于非线性特征，引入自注意力机制^[19]，使网络注意到非线性特征中不同位置之间的相关性，从而完成样本重构，使其更好表征样本的非线性特征信息，得到健康指标非线性特征$ {\boldsymbol{z}} $。

下一步进行标准化流^[20]映射，使用$ k $个可逆变换函数将特征${\boldsymbol{z}} $映射到一个趋近较简单的多维高斯概率分布中。这些可逆变换函数由深度神经网络构成，每个变换函数接受前一个变换函数的输出作为输入。同时，标准化流函数变换是连续可微的，可以通过求导来计算整个流函数的梯度。经过多次变换后，符合高度复杂分布的特征$ {{{\boldsymbol{z}}}} $被映射到了趋近较简单的多维高斯概率分布中，其映射函数如下：

式中：$ {{\boldsymbol{z}}_k} $为经过$ k $层标准化流函数变换后得到的特征，${{{\boldsymbol{z}}}_{0}}={\boldsymbol{z}} $；$ \circ $为复合映射符号；每层标准化流变换函数f_i （i=1, ···, k–1, k)均为可逆函数；$ p({{\boldsymbol{z}}_k}) $为$ {{\boldsymbol{z}}_k} $的概率密度；$ p({\boldsymbol{z}}) $为原始数据$ {\boldsymbol{z}} $的概率密度；$ \left| {\det \dfrac{{\partial {f_i}}}{{\partial {{\boldsymbol{z}}_{i - 1}}}}} \right| $为$ {f_i} $的雅可比矩阵行列式的绝对值。

每层准化流变换函数f_i通过交替仿射变换完成，将输入空间的复杂分布进行旋转和缩放等变换，变换总层数k为偶数。交替仿射变换将健康指标非线性特征${\boldsymbol{z}} $分成2部分${\boldsymbol{z}}_{\mathrm{a}} $和${\boldsymbol{z}}_{\mathrm{b}} $，首先将${\boldsymbol{z}}_{\mathrm{b}} $作为仿射变换的输入，将${\boldsymbol{z}}_{\mathrm{a}} $作为变换函数的输入，执行一次可逆的仿射变换和数据转换，得到新的随机向量${\boldsymbol{z}}_{\mathrm{a}}^{\prime} $；然后再将${\boldsymbol{z}}_{\mathrm{a}}^{\prime} $作为下一层仿射变换的输入，将${\boldsymbol{z}}_{\mathrm{b}} $作为下一层变换函数的输入。重复上述过程，交替变换${\boldsymbol{z}}_{\mathrm{a}} $和${\boldsymbol{z}}_{\mathrm{b}} $直到执行完所有的仿射变换，通过使用缩放和平移操作将数据${\boldsymbol{z}}$逐步映射为$ {{\boldsymbol{z}}_k} $。1组（2次）完整的交替仿射变换公式如下：

式中：$ \odot $为按元素相乘；$ {{\boldsymbol{S}}_i} $为第i层缩放因子；$ {{\boldsymbol{s}}_i} $为第i层缩放系数的可学习参数；${\text{ne}}{{\text{t}}_i} $为第i层结构相同、参数可学习的深度神经网络，如：残差网络；$ {{\boldsymbol{B}}_i} $为第i层偏移向量；${{\boldsymbol{b}}_i} $为第i层偏移系数的可学习参数。

使用变分自编码器将趋近多维高斯概率分布数据$ {{\boldsymbol{z}}_k} $建模为多维高斯概率分布。首先通过全连接层生成$ {{\boldsymbol{z}}_k} $概率分布的均值$ {\boldsymbol{u}} $及方差$ {\boldsymbol{\sigma}} $。为保证模型可导，通过重采样方法在$ {{\boldsymbol{z}}_k} $的多维高斯概率分布中采样得到潜在变量$ {{\boldsymbol{z}}_{\text{g}}} $。

式中：$ {{\boldsymbol{w}}_{\text{u}}} $为概率分布均值拟合的权值矩阵；$ {{\boldsymbol{b}}_{\text{u}}} $为概率分布均值拟合的偏置；$ {{\boldsymbol{w}}_{\text{σ }}} $为概率分布方差拟合的权值矩阵；$ {{\boldsymbol{b}}_{\text{σ }}} $为概率分布方差拟合的偏置；$ \mathrel\backepsilon $为从标准正态分布中采样得到的数据。

最后将采样得到的潜在变量$ {{\boldsymbol{z}}_{\text{g}}} $，通过标准化流逆变换$ f_\theta ^{ - 1}:{{\boldsymbol{z}}_{\text{g}}} \to {{\boldsymbol{z}}_{\text{t}}} $将$ {{\boldsymbol{z}}_{\text{g}}} $返回健康指标的复杂空间中，最终得到能充分表达健康指标复杂性的向量$ {{\boldsymbol{z}}_{\text{t}}} $，得到具有鲁棒性的刮板输送机健康指标曲线。结合专家经验，可以根据这些指标曲线将刮板输送机的健康状态划分为不同的等级，并为每个等级分配相应的标签。

在训练过程中，此部分的优化目标为使用梯度下降算法降低变分自编码器的损失，通过最大化变分下界实现，即最小化KL散度项和重构误差项的和。KL散度项为$ {{\boldsymbol{z}}_k} $的概率分布$q({{{\boldsymbol{z}}}_{k}}) $与先验分布标准正态分布N(0, 1)之间的KL散度，而重构误差项为监测参数解码后与原数据的误差。最终此部分优化的损失函数$ {L_{{\text{vae}}}} $为

式中：${{q}_{\theta }}({{{\textit{z}}}_{\text{t}}}|{\boldsymbol{X}}) $为向量${\boldsymbol{z}}_{\mathrm{t}} $的条件概率分布，即编码器的概率模型，$\theta $为编码器参数；${{p}_{\varphi }}({\boldsymbol{X}}|{{{\boldsymbol{z}}}_{\text{t}}}) $为给定向量${\boldsymbol{z}}_{\mathrm{t }}$后X的条件概率分布，即解码器的概率模型，$\varphi $为解码器参数。

2.   基于多种图结构信息融合的刮板输送机健康状态识别

2.1   模型框架

基于多种图结构信息融合的刮板输送机健康状态识别方法框架如图3所示。首先依托图数据表示方法构造多种图结构信息，基于专家先验知识确定部件之间的耦合关系，构造先验图结构；基于特征相似性，通过计算传感器状态数据之间的相似程度（使用余弦相似度），将传感器映射为图中的节点，使用$ \varepsilon $半径方法确定节点邻居，使用阈值高斯核权函数得到每两个节点之间的连边权值，最终构建相似性度量图结构。多种图结构可以全面展示部件之间的耦合关系。最后，每个时刻的节点特征与多种图结构被组合为图样本被输入到图注意力机制（GAT）网络中，完成对每一时刻图样本的健康状态识别。

图  3  基于多图结构信息融合的刮板输送机健康状态识别

Figure  3.  Health status identification of scraper conveyor based on multi-graph structure information fusion

下载: 全尺寸图片 幻灯片

2.2   刮板输送机多种图结构样本构造

通过构建先验图结构及相似性度量图结构来全方面反映部件之间的耦合结构，将传感器映射为图中的节点，通过节点和边的形式，可以清晰地呈现传感器之间的关系模式。构造图样本$ G = (V,E,{\boldsymbol{X}},T) $，其中：$ V = \left\{ {{v_1},{v_2},{v_3}, \cdot \cdot \cdot ,{v_n}} \right\} $表示由$ n $个传感器节点构成的节点集合；$ E \subseteq \{ ({v_i},{v_j})|{v_i} \in V, {v_j} \in V \} $表示由$ |E| $条边构成的边集合，每条边代表传感器之间是否存在交互；网络中每个节点都附带了描述性的特征信息（18路监测指标得到的信号），表示为特征矩阵$ {\boldsymbol{X}} $。在时刻t，节点$ {v_i} $的特征向量（该传感器在每一时刻下的数据值）表示为$ {\boldsymbol{x}}_i^t $，所有$ n $个节点的特征矩阵为$ {{\boldsymbol{x}}^t} = \left[ {{\boldsymbol{x}}_1^t,\cdots,{\boldsymbol{x}}_n^t} \right] $；节点$ {v_i} $的轨迹为$ {{\boldsymbol{x}}_i} = \left[ {{\boldsymbol{x}}_i^1,\cdots,{\boldsymbol{x}}_i^T} \right] $，其中$ T $为时间步长的数量。最后，将所有轨迹数据记录为$ {\boldsymbol{X}} = \left[ {{{\boldsymbol{x}}^1},\cdots,{{\boldsymbol{x}}^T}} \right] $。传统图样本构造方法构造的邻接矩阵$ {\boldsymbol{A}} \in {\mathbb{R}^{n \times n}} $中（${\mathbb{R}^{n \times n}} $为实数域上的n×n维矩阵空间），如果节点$ {v_i} $对节点$ {v_j} $有影响，则两者之间存在1条有向边，邻接矩阵中的交互权重元素$ {a_{ij}} \ne 0$，否则，$ {a_{ij}} = 0 $。邻接矩阵反映了传感器节点之间直接的作用关系，基于传统方法，结合专家先验知识和数据相似性构造先验图结构及相似性度量图结构。

基于先验图结构，依托专家先验知识确定刮板输送机部件之间的影响信息，如：刮板输送机中板出现裂纹会导致中板表面不平整，这种不平整会引起刮板输送机机头电动机需要额外能量来克服阻力，进而导致机头电动机温度上升，同时加剧电动机输出轴振动及链轮组件轴承振动等，故两者之间存在交互关系，交互权重为1。最终构造先验图结构邻接矩阵$ {{\boldsymbol{A}}_1} \in {\mathbb{R}^{n \times n}} $。

基于相似性度量图结构，首先确定节点的最大邻居数$ q $，然后利用$ \varepsilon $半径方法确定图中每个节点的邻居。节点$ {v_i} $的邻居$ \psi ({ {v}_i}) $通过以下方式获得：

式中：$ \varepsilon $为选择邻居时的半径；$\text{radius}(\cdot ) $为邻居选择操作；$ \varepsilon - {\text{radius}}({ v_i}) $最终得到节点$ { v_i} $的邻居集合$ \left\{ {{v}_{j}}\in V|s({{v}_{i}},{{v}_{j}})>\varepsilon \right\} $；$s({{v}_{i}},{{v}_{j}}) $为节点v_i与节点v_j计算得到的余弦相似度。

在得到节点$ {v_i} $的邻居集合的同时，通过阈值高斯核权函数计算每2个节点之间的连边交互权重：

式中，$ \beta $为高斯函数的带宽方差。

当找到每个节点$ {v_i} $的邻居及其邻居之间的权重时，可以获得相似性度量图结构。一般认为，如果2个样本的余弦相似度大于0，则它们之间可能存在正相关。在构建相似性度量图的过程中，主要考虑样本之间的正相关性，因此，经验上认为0为半径$ \varepsilon $的阈值。最终确定相似性度量图结构邻接矩阵$ {{\boldsymbol{A}}_2} \in {\mathbb{R}^{n \times n}} $。

最后，将多种图结构信息视为图样本的结构信息，而每个时刻下传感器获取到的状态数据被视为节点的属性特征，从而完成当前时刻图样本的构造。

2.3   健康状态识别

GAT是一种用于处理图数据的深度学习技术，通过计算每个节点与其邻居节点之间的动态权重（以生成上下文感知的节点表示，GAT允许每个节点对其邻居节点分配不同的注意力权重），更好地捕捉图中的局部和全局关系。在刮板输送机健康状态识别方面，将先验图结构及相似性度量图结构分别代入GAT层，完成特征提取，然后分别进行图池化，将其进行拼接，最终完成当前时刻下图样本健康状态的识别。

GAT的输入是n个传感器节点在时刻t的特征矩阵${{{\boldsymbol{x}}}^{t}} $，同时分别输入节点间的先验图结构邻接矩阵$ {{\boldsymbol{A}}_1} $及相似性度量图结构邻接矩阵$ {{\boldsymbol{A}}_2}$。经过每层GAT会产生一组新的节点特征，$ {{{\boldsymbol{x}}}^{t}}^{\prime}=\left[ {\boldsymbol{x}}{{_{1}^{t}}^{\prime}},\cdots ,{\boldsymbol{x}}{{_{n}^{t}}^{\prime}} \right] $是该GAT层的输出，每层GAT会进行节点信息更新，从而学到最优特征，具体操作如下：

首先，计算任意节点v_i与节点v_j之间的注意力系数${{{\boldsymbol{\alpha}} }_{ij}} $，其分步实现为

式中：e_ij为计算得到的注意力分数；$ a( \cdot ) $为映射操作；$ {\boldsymbol{w}} $为可学习的权重矩阵；$\text{softma}{{\text{x}}_{j}}(\cdot ) $为归一化操作；N_i为节点v_i的邻居集合。

最终，具体的归一化注意力系数${{{\boldsymbol{\alpha}} }_{ij}} $的实现如下：

式中：$ {\text{LeakyReLU(}} \cdot {\text{)}} $为激活函数；a为与$\left[ {\boldsymbol{w}}{{{\boldsymbol{x}}}_{i}}||{\boldsymbol{w}}{{{\boldsymbol{x}}}_{j}} \right] $维度相同的可学习参数向量；$ || $为拼接操作。

得到归一化注意力系数后，使用归一化注意力系数计算与之相对应的特征的线性组合，作为每个节点的最终输出特征。

为了稳定自注意力机制的学习过程，使用多头图注意力机制操作，具体来说，$ B $个独立注意力机制执行式（10）的变换，然后将它们的特征连接起来，得到如下输出特征：

式中：$ \begin{array}{*{20}{c}} B \\ {||} \\ {b = 1} \end{array} $为将$ B $个独立注意力机制得到的特征进行拼接；${\boldsymbol{\alpha}} _{ij}^{b} $为第b个独立注意力机制的注意力系数；${{{\boldsymbol{w}}}^{b}} $为第b个独立注意力机制在特征聚合时的可学习权重。

在进行多次图注意力层操作后，进行图池化，将图的每个节点特征进行求和，得到每张图样本的特征，最终拼接样本先验图特征与相似图特征，输入softmax分类器完成样本的健康状态识别。

3.   试验验证及分析

3.1   数据来源与试验环境

基于西安重装蒲白煤矿机械有限公司制造的刮板输送机完成验证，实物如图4所示。试验数据来自蒲白煤机在神木某矿应用的刮板输送机，时间跨度为2022−12−10—2023−05−31，最终在采集梳理出的18路监测信号中具有时间相关性的5000条刮板输送机运行数据上完成试验验证。传感器布置位置见表1。

图  4  刮板输送机

Figure  4.  Scraper conveyor

下载: 全尺寸图片 幻灯片

表  1  传感器类型及布置方式

Table  1.  Sensor types and layout

传感器类型	监测指标	布置位置
红外线测温仪	机头电动机温度C1	电动机外壳表面靠近绕组的区域
振动传感器	机头电动机输出轴振动加速度C2	刮板输送机机头电动机输出轴表面
超声波监测	中板裂纹回波C3	刮板输送机中板处
振动传感器	链条振动加速度C4	靠近链条的槽帮处
张力传感器	链条松紧张力C5	链轮之间
角位移传感器	链条变形应变量C6	链条导轨处
振动传感器	链轮组件轴承振动加速度C7	链轮组件轴承处
红外线测温仪	链轮组件轴承温度C8	轴承表面
电容液位传感器	链轮组件油液液位C9	链轮组件油箱壁上
电流传感器	链轮组件轴承扭矩C10	机头电动机处（监测电动机电流，间接计算扭矩）
红外线测温仪	导轨温度C11	导轨表面
振动传感器	导轨振动加速度C12	导轨侧边
振动传感器	机尾减速器轴承振动加速度C13	减速器输出轴表面
电容液位传感器	机尾减速器油液液位C14	减速器油箱壁上
电流传感器	机尾减速器轴承扭矩C15	机尾电动机处（监测电动机电流，间接计算扭矩）
声音传感器	机尾减速器声音声波C16	机尾减速器处
电流传感器	机尾电动机电流C17	机尾电动机处
红外线测温仪	机尾电动机温度C18	电动机外壳表面靠近绕组的区域

下载: 导出CSV 

| 显示表格

试验在深度学习服务器下进行，GPU型号为GeForce RTX 4060Ti，内存为16 GB。SA-NF-VAE-GAT模型基于Pytorch2.0.1深度学习框架搭建，Python解释器版本为3.9.17，CUDA版本为12.2。试验的部分重要参数配置见表2。

表  2  试验参数配置

Table  2.  Experimental parameter configuration

参数	标准化流层数	激活函数	优化器	学习率	GAT层数
数值	6	Relu	Adam	0.001	2

下载: 导出CSV 

| 显示表格

3.2   数据预处理

由于18路信号的量纲不统一，需要进行归一化或标准化处理，以便在模型中使用，确保不同信号的值范围一致，避免某些信号对模型的训练和预测产生过大或过小的影响。采用归一化处理完成信号量纲统一，公式如下：

式中：$ {x_{\mathrm{a}}} $为归一化之后的数据；$ x $为原始数据；$ {x_{\min }} $为原始数据集中的最小值；$ {x_{\max }} $为原始数据集中的最大值。

3.3   健康指标构建

将处理后的监测数据输入到SA-NF-VAE网络进行健康指标构建，编码网络输出的特征对应最终的刮板输送机健康指标。为减少不必要的波动，更清晰地显示趋势和周期性变化，利用Savitzky-Golay滤波方法完成指标平滑处理，最终获得的刮板输送机健康指标曲线如图5所示。

图  5  刮板输送机健康指标曲线

Figure  5.  Scraper conveyor health indicators curve

下载: 全尺寸图片 幻灯片

根据构建好的健康指标，结合刮板输送机真实运行情况及专家经验，将刮板输送机健康划分为4个等级，各等级与对应健康指标区间见表3。

表  3  刮板输送机健康状态对应描述

Table  3.  Description of scraper conveyor health status

健康等级	运行情况	健康指标区间	等级标签
健康	刮板输送机运行完全正常，各项指标表现优异，无需安排检修	[0.8, 1.0]	0
良好	刮板输送机运行良好，各项性能在稳定范围，按计划检修	[0.5, 0.8)	1
恶化	刮板输送机运行状态一般，出现些许异响等恶化迹象，及时检修	[0.3, 0.5)	2
故障	刮板输送机无法正常运行，出现无法正常推料等现象，停机维修	[0, 0.3)	3

下载: 导出CSV 

| 显示表格

基于健康状态等级的健康指标区间，对原始监测数据样本进行划分。最终得到“健康”样本547个、“良好”样本3091个、“恶化”样本1206个、“故障”样本156个。

3.4   对比方法

选择了5种主流的健康状态识别方法进行对比试验。所选方法可分为3类：①极端梯度提升算法（XGBoost）^[21]、主成分分析−支持向量机算法（PCA-SVM）^[22]为机器学习方法；②改进卷积神经网络（ICNN）^[23]、一维卷积神经网络（1DCNN）^[24]为传统深度学习方法；③K近邻−图卷积网络（KNN-GCN）^[16]为图神经网络方法。

3.5   健康状态识别结果

将所有样本打乱顺序后，取其中90%为训练集样本，剩余10%为测试集样本，为确保识别模型的性能可靠性，使用十折交叉验证法完成识别，最终结果取十折交叉验证法的均值。将测试样本分别代入用训练集训练好的模型，最终得到的准确率、微平均F₁值(Micro-F₁)及宏平均F₁值(Macro-F₁）结果见表4。可以看出SA-NF-VAE-GAT算法效果优于其他对比算法，全面地提取了监测参数之间空间信息，使用GAT达到了多传感器参数之间的较优融合。

表  4  健康状态识别结果

Table  4.  Health status identification result

算法	准确率/%	Micro-F1/%	Macro-F1/%
XGBoost	81.02	81.02	78.21
PCA-SVM	90.25	90.25	88.83
ICNN	92.26	92.26	90.94
1DCNN	90.11	90.11	88.21
KNN-GCN	94.87	94.87	93.12
SA-NF-VAE-GAT	98.60	98.60	96.81

下载: 导出CSV 

| 显示表格

进一步将SA-NF-VAE-GAT方法识别结果通过混淆矩阵进行直观展示，如图6所示，其中每个方格的数值为识别结果样本数量。通过混淆矩阵可以观察到在测试集中有2个故障样本及5个恶化样本识别错误，原因是刮板输送机全生命周期中恶化及故障存在的时间较短，各类别状态数据不均衡，全部样本中，良好样本有3091个，故障样本仅有156个。同时设备退化过程具有模糊性，2种状态交界处识别为识别难点，在故障样本较少时，故障状态与恶化状态在潜在空间的交界处难以精准拟合，故模型产生了一定的误分现象。

图  6  刮板输送机健康状态识别结果混淆矩阵

Figure  6.  Confusion matrix for health status identification of scraper conveyor

下载: 全尺寸图片 幻灯片

3.6   模型的有效性验证

为进一步验证模型有效性，对所有方法的模型输出层之前的特征进行可视化展示，直观揭示模型性能。使用可视化工具t分布式随机邻近嵌入（t-SNE）^[25]将模型输出层之前的特征映射到二维空间中，结果如图7所示，其中每个点代表一个数据样本。通过分析可视化图可以发现，SA-NF-VAE-GAT模型有效提取了刮板输送机状态数据非线性特征，在输出层之前已经在二维空间中有效区分，故使用简单的softmax分类器就可得到较好的效果；但每个类别边界有微弱的重叠现象，故进行健康状态识别时出现了个别误分现象。

图  7  各方法的特征可视化图

Figure  7.  Feature visualization of each method

下载: 全尺寸图片 幻灯片

3.7   使用不同图结构信息对识别的影响

为验证使用不同图结构信息对识别结果的影响，分别将先验图结构、相似性度量图结构以及先验图结构与相似性度量图结构的融合代入图注意力机制模型，最终不同图结构信息对应的识别结果见表5。从表5可以看出，先验图结构与相似性度量图结构融合时识别效果最好，因为先验图结构容易受专家知识主观影响，相似性度量图结构容易受异常值及噪声影响，只使用其中一种图结构信息，只能得到一个较优的结果。而先验图结构与相似性度量图结构融合时，可以起到互补作用，从而得到最优的健康状态识别结果。

表  5  使用不同图结构信息的健康状态识别结果

Table  5.  Health status identification results using different graph structure information

图结构信息	准确率/%	Micro-F1/%	Macro-F1/%
先验图结构	96.87	96.87	95.12
相似性度量图结构	96.12	96.12	94.25
先验图结构+相似性度量图结构	98.60	98.60	96.81

下载: 导出CSV 

| 显示表格

为直观观察传感器节点之间的交互情况，绘制了不同图结构信息，如图8所示，图中方格颜色深度为节点间交互权重大小，颜色越深，交互权重越大，圆圈为传感器节点。从图8中可以看出，先验图结构与相似性度量图结构相差较大，通过不同方法提取刮板输送机的图结构信息，可以起到互补作用。

图  8  不同图结构可视化图

Figure  8.  Visualization of different graph structures

下载: 全尺寸图片 幻灯片

4.   结　　论

1) 基于SA-NF-VAE的方法构建刮板输送机健康指标，模型属于无监督模型，可以自动构建健康指标，减少人工参与，模型有效地拟合了健康指标的隐式分布，克服了监测数据中存在的异常值影响问题。

2) 提出了一种多种图结构信息提取方法，依托专家先验知识提取刮板输送机先验图结构；利用$ \varepsilon $半径方法确定节点邻居，使用阈值高斯核权函数得到每两个节点之间的连边权值，构建相似性图结构，得到了不同方法下部件之间的耦合关系，试验结果证明了其有效性。

3) 提出了一种多种图结构信息融合方法，利用多个GAT层有效融合刮板输送机的多种图结构信息，试验结果表明，SA-NF-VAE-GAT的识别准确率可达98.6%。

4) 刮板输送机恶化及故障状态存在时间较短，故样本数量较少，导致模型学习的类别不均衡，后期可以考虑融合GAN等生成网络，扩充恶化及故障样本数。