时-空特征驱动的多轮次重构图卷积网络故障诊断方法
王庆昕1
张先杰2
张海峰2
钟凯1
陈宏田3
韩敏4
1.安徽大学计算智能与信号处理教育部重点实验室,物质科学与信息技术研究院,安徽 合肥 2306012.安徽大学数学科学学院,安徽 合肥 2306013.阿尔伯塔大学化学与材料工程系,加拿大埃德蒙顿AB T6G 2V44.大连理工大学工业装备智能控制与优化教育部重点实验室,辽宁大连 116024
摘要：近年来,图神经网络被广泛应用于处理具有非欧结构的工业过程数据.然而由于设备运行的过程数据常常受到噪声和冗余信息的干扰,如果直接使用原始信号会导致构建的图模型不够精细和准确,从而影响后续的模型诊断性能.针对这一问题,本文提出了一种时-空特征驱动的多轮次重构图卷积网络(STMR-GCN)故障诊断方法.该方法首先利用多尺度卷积神经网络与GCN对故障信号进行特征提取.然后根据样本之间的余弦相似性对图结构进行多次重构,重构后的图模型能够更精确地反映样本之间的连边关系,并将得到的图模型输入到GCN进行故障种类的识别.最后,在东南大学(SEU)仿真数据集和真实的磨煤机数据集上进行实验,实验结果表明所提方法与其他对比方法相比诊断精度均有提高,从而证明STMR-GCN模型在故障诊断方面的有效性和实用性.
关键词：故障诊断时空特征多轮次图重构图卷积网络
论文发表日期：2025-01-27
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：9( 149-157 )
英文信息