《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编陈 晓
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络

作者:魏春虎,程峰,曾玉海,等. 日期:2024-08-30/span> 浏览:362 查看PDF文档

一种适用于轴承故障诊断半监督学习分类的
多层图卷积注意力融合网络*
魏春虎1,程峰1*,曾玉海1,杨世飞2

(1.江南大学 机械工程学院,江苏 无锡 214122;2.南京凯奥斯数据技术有限公司,江苏 南京 210012)


摘要:图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结构信息,将构建好的图数据输入网络,逐层提取特征信息,从浅层到深层逐步加深对数据特征的理解;然后,对每一层图卷积信息进行了有序拼接,同时引入了图注意力机制,使网络能够自动关注对分类任务比较重要的信息,从而提高了网络的性能和鲁棒性;最终,通过迭代学习,网络能够不断优化模型参数,对故障信息进行了准确识别;对不同工作条件下的滚动轴承进行了多次实验,并将该方法与传统的基于深度学习的方法进行了分析比较。研究结果表明:即使在标记数据只有10%的前提下,采用该网络依旧能够达到88%以上的识别准确度,并且适用于匀速和变速等不同的工况。上述结果证明,在选择适当方法保留多层图卷积中的有用信息后,深度图卷积网络可以成为诊断滚动轴承故障的一大利器。

关键词:轴承故障诊断;多层图卷积注意力融合网络;多层图卷积信息;图注意力机制;k近邻图;深度学习;识别准确度

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2024)08-1364-12


本文引用格式:

魏春虎,程峰,曾玉海,等.一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络[J].机电工程,2024,41(8):1364-1375.

WEI Chunhu, CHENG Feng, ZENG Yuhai, et al. Multi-layer graph product attention fusion network for semi-supervised learning classification of bearing fault diagnosis[J].Journal of Mechanical & Electrical Engineering, 2024,41(8):1364-1375.




友情链接

浙江机械信息网