控制理论与应用

作者：王庆昕,张先杰,张海峰,钟凯,陈宏田,韩敏

单位：安徽大学,安徽大学,安徽大学,安徽大学,阿尔伯塔大学,大连理工大学

关键词：故障诊断; 时空特征; 多轮次图重构; 图卷积网络

基金：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

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.

来源：2025年第1期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2025年第1期