关键词:
图同构网络
水平可视化图
故障诊断
摘要:
针对传统深度学习在变工况下轴承故障诊断迁移能力弱的问题,提出一种结合加权有限穿越水平可视图(WLPHVG)与图同构网络(GIN)的轴承故障诊断方法。通过可视图算法将原始轴承振动时序信号转换为图结构数据,利用最大均值差异方法对图节点所连边进行加权以减少噪声对模型精度的影响。同时,对图同构网络聚合层进行调整,以更好地拟合图数据特征。最终,将图数据输入到模型中得到轴承故障诊断分类结果。实验在多个不同的轴承数据集上采用不同模型进行比较,结果显示,模型在不同工况和信噪比条件下的准确率均优于其他对比模型,达到97.27%以上。消融实验验证了加权方法对所提出的模型抗噪性能的有效性,表明模型能充分利用图域数据的内部结构关系,在跨平台与时变转速两种不同工况下展现出良好的可迁移性。