|
|||||
|
|
| 时-空特征驱动的多轮次重构图卷积网络故障诊断方法 | |
| 作者姓名： | 王庆昕 张先杰 张海峰 钟凯 陈宏田 韩敏 |
| 作者单位： | 1.安徽大学计算智能与信号处理教育部重点实验室,物质科学与信息技术研究院;2.安徽大学数学科学学院;3.阿尔伯塔大学化学与材料工程系;4.大连理工大学工业装备智能控制与优化教育部重点实验室 |
| 基金项目： | 国家自然科学基金项目 61973001;安徽省自然科学基金项目 2208085QF205;安徽省高等学校自然科学基金项目 2022AH050097 资助~~; |
| 摘 要： | 近年来,图神经网络被广泛应用于处理具有非欧结构的工业过程数据.然而由于设备运行的过程数据常常受到噪声和冗余信息的干扰,如果直接使用原始信号会导致构建的图模型不够精细和准确,从而影响后续的模型诊断性能.针对这一问题,本文提出了一种时–空特征驱动的多轮次重构图卷积网络(STMR-GCN)故障诊断方法.该方法首先利用多尺度卷积神经网络与GCN对故障信号进行特征提取.然后根据样本之间的余弦相似性对图结构进行多次重构,重构后的图模型能够更精确地反映样本之间的连边关系,并将得到的图模型输入到GCN进行故障种类的识别.最后,在东南大学(SEU)仿真数据集和真实的磨煤机数据集上进行实验,实验结果表明所提方法与其他对比方法相比诊断精度均有提高,从而证明STMR-GCN模型在故障诊断方面的有效性和实用性. |
| 关 键 词： | 故障诊断 时空特征 多轮次图重构 图卷积网络 |
| 收稿时间： | 2022-12-06 |
| 修稿时间： | 2024-08-27 |
| 点击此处可从《控制理论与应用》浏览原始摘要信息 | |
| 点击此处可从《控制理论与应用》下载免费的PDF全文 | |