论文标题：Adaptive adjustment graph representation learning method for rotating machinery fault diagnosis under noisy signals

期刊： Frontiers of Mechanical Engineering

作者：Lei WANG, Peijie YOU, Xin ZHANG, Li JIANG, Yibing LI

发表时间：15 Feb 2025

DOI：10.1007/s11465-024-0818-y

微信链接：点击此处阅读微信文章

近年来，智能故障诊断方法已被用于旋转机械的状态监测。其中，图神经网络作为一种新兴的特征提取工具，可以挖掘样本之间的关系特征。然而，现有的许多图构建方法都存在结构冗余或节点关系缺失的问题，从而限制了模型在实际应用中的诊断准确性。

武汉理工大学与香港科技大学研究团队在《Frontiers of Mechanical Engineering》2025年第20卷第1期发表了题为“Adaptive adjustment graph representation learning method for rotating machinery fault diagnosis under noisy signals”的研究论文。文章提出了一种自适应调整k近邻图驱动的动态加权图注意力网络（AAKNN-DWGAT），用于旋转机械在噪声信号下的故障诊断。

研究所提出的故障诊断方法可以概括为两部分：AAKNNG的构建和基于DWGAT的故障诊断。在AAKNNG构建中，先将节点特征从原始时域信号中嵌入，接着采用基于动态频率弯折（DFW）的方法初步构建边缘连接，再利用3σ准则和二阶差分法进行自适应边缘调整，确定每个节点的最佳边缘连接数量并计算边权重。基于DWGAT的故障诊断部分，将构建好的AAKNNG输入DWGAT，该网络包含两个图注意力层，分别用于捕获全局和局部故障特征，通过动态加权策略根据高层输出特征定期调整边权重，减少噪声干扰，最后经全连接层和softmax分类器输出故障诊断结果，并给出了算法的伪代码。

使用轴向流泵数据集和XJTUGearbox数据集进行实验，所有算法基于Python 3.7和PyTorch 2.0.1实现，创建了五种不同类型的故障，采用相同的训练参数。在轴向流泵故障诊断实验中，详细介绍了数据采集过程、样本集构建、模型超参数设置，对比了AAKNNG和KNNG的性能，研究了注意力头数量、相似性计算方法的影响，还与其他图构建方法、故障诊断方法进行对比，验证了所提方法在诊断精度、噪声鲁棒性等方面的优势。XJTUGearbox数据集实验同样介绍了数据情况、样本集构建，对比了不同方法的诊断结果，结果表明AAKNN-DWGAT在不同信号长度下诊断精度最高且方差低，进一步验证了其有效性和优越性。

研究所提出的用于旋转机械故障诊断AAKNN-DWGAT方法，与其他传统和SOTA深度学习方法相比，表现出优异的故障识别和噪声鲁棒性。然而，在构建AAKNNG的过程中，边缘连接自适应调整问题不可避免地会在提高诊断精度的同时增加计算时间。在某些实时故障诊断场景中，这种调整可能会带来额外的问题，应在今后的研究中进一步优化。

关键词

旋转机械；故障诊断；图神经网络；自适应调整

引用

Lei WANG（王磊）, Peijie YOU（尤培杰）, Xin ZHANG（张鑫）, Li JIANG（江丽）, Yibing LI（李益兵）. Adaptive adjustment graph representation learning method for rotating machinery fault diagnosis under noisy signals. Front. Mech. Eng., 2025, 20(1): 2

https://doi.org/10.1007/s11465-024-0818-y

扫描二维码阅读原文

精彩推荐

1. FME文章荐读 | 考虑流固耦合的输流分支管路降阶建模及振动传递分析

2. FME文章荐读 | 智能光电探测系统运动目标的小跟踪误差校准

3. FME文章荐读 | 基于堆叠模型的机器学习实现大尺寸激光粉末床熔融成形Ti6Al4V合金机械性能预测

4. FME文章荐读 | 基于参数化水平集方法的曲线纤维增强复合材料结构屈曲优化

5. FME文章荐读 | 基于连续体机器人末端执行器的飞机机翼多余材料检测与清除