关键词:
轴向柱塞泵
故障诊断
增量学习
图神经网络图形样本聚合
K-最邻近法
图结构数据
摘要:
针对轴向柱塞泵在故障诊断中对大规模、动态变化数据处理困难,以及故障类型增加导致分类性能下降的问题,提出了一种基于改进图神经网络图形样本聚合(Graph-SAGE)的增量学习模型。首先,将轴向柱塞泵的不同故障振动信号构建为带标签的数据集,并通过数据增强生成了新的数据集;然后,采用K-最邻近法(KNN)分别构建了初始训练阶段和增量训练阶段的图结构数据(其中,初始阶段的图结构用于模型的初始训练,增量训练阶段的图结构用于增量训练);接着,为了确定最适合轴向柱塞泵故障图数据集的聚合方法,在初始训练阶段比较了不同聚合器对故障识别准确率的影响,并在增量训练阶段结合显性知识与隐性知识对模型进行了优化;最后,采用了实验的方式,验证了该模型的可行性,并通过对比实验和鲁棒性测试,对该模型的性能和稳定性进行了评估。研究结果表明:该增量学习模型在应对新增故障类型时表现优异,在轴向柱塞泵的复合故障识别中,平均准确率达到了92.35%,显著优于传统图神经网络在相同条件下的表现;同时,该模型在混合工况下的增量训练准确率达到了95%,展现出较强的适应性和鲁棒性。该方法能够有效应对不同的故障模式和工况条件,准确识别轴向柱塞泵的复合故障。