基于超感知图神经网络的轴承故障诊断方法
陈岩岩1
朱彦敏2
1.安徽理工大学计算机科学与工程学院,安徽淮南 2320012.安徽理工大学机电工程学院,安徽淮南 232001
摘要：针对传统的图神经网络在没有考虑故障、噪声和振动波形变化情形下特征提取难、提取能力弱等问题,提出了基于超感知图卷积神经网络(extra-perceptual graph convolution network,E-GCN)的轴承故障诊断方法.该方法引入了扩张残差模块,它能够扩大感受野并学习到更加丰富和有效的特征,从而提升了网络性能和泛化能力.该方法构建了额外的图卷积模块以获取图的全局信息,还利用注意力模块来加权邻居节点的特征,使其能够更加专注于重要特征,进一步提高了诊断的准确性和效率.在帕德博恩大学(Paderborn University,PU)轴承数据集和凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集上开展实验,诊断准确率分别达到了 98.2％和99.1％.该方法能够有效应用于轴承等机械的故障诊断领域.
关键词：故障诊断超感知扩张残差注意力机制图神经网络轴承
分类号：TH133(机械零件及传动装置)
资助基金：国家自然科学基金(52374155)安徽省自然科学基金项目(2308085MF218)安徽省高等学校自然科学研究项目(2022AH040113)安徽省高校中青年教师培养行动项目(YQZD2023035)安徽理工大学青年基金项目(QNZD202202)淮南市指导性科技计划项目(2023142)淮南市指导性科技计划项目(2023147)
论文发表日期：2024-12-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 500-506 )
英文信息