有限标记样本下基于GSSL-GraphSage的半监督故障诊断方法
曹洁1
王庭义2
王进花2
1.兰州理工大学电气工程与信息工程学院,甘肃兰州 730050;兰州城市学院信息工程学院,甘肃兰州 7300702.兰州理工大学电气工程与信息工程学院,甘肃兰州 730050
摘要：鉴于在实际工程中采集的齿轮箱标注监测数据是有限的,且基于图神经网络的齿轮箱故障诊断方法研究仍存在标签信息挖掘不充分的问题,本文提出一种有限标记样本下基于图的半监督学习(GSSL)与图采样聚合算法(GraphSage)的齿轮箱半监督故障诊断方法.基于K最近邻算法和基于图的标签传播策略,将标签信息沿边传播给分布相似的邻域样本,从而充分利用有限样本的标签信息,提高模型性能.将每个振动频谱样本视为一个节点构建基于图的半监督学习框架,最后将半监督学习框架输入到节点级GraphSage网络中进行故障分类,避免新加入节点重新训练的情况,可有效防止训练过拟合,增强泛化能力.将所提方法用于分析齿轮箱故障实验数据,结果表明所提方法能够在6％的低标签情况下准确诊断齿轮箱的不同故障模式,验证了对齿轮箱故障诊断的可行性和有效性.
关键词：故障诊断GraphSage网络有限标记样本半监督学习标签传播策略
论文发表日期：2025-05-30
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：11( 892-902 )
英文信息