ReliabilityEnginerring&SS||时变转速下旋转机械智能故障诊断的半监督元路径空间扩展图卷积网络
在实际工程场景中，机械设备的运行速度是复杂多变的。然而，现有的智能故障诊断研究大多是在恒速条件下进行的，有限的研究集中在时变速度下的故障诊断上。此外，标记数据的限制给智能故障诊断方法带来了相当大的障碍。因此，在速度时变和标记样本有限的情况下，提出了一种半监督元路径空间扩展图神经网络（ME-GNN）用于故障诊断。首先，提出了一种新的异构图，它将振动数据、故障信息和变量快速信息之间的最近邻关系转换为图。这种图不仅集成了各种物理信息，而且便于异构数据类型之间的消息传递和聚合。为了从不同的特征空间获得异质图的特征信息，实现了元路径空间扩展图卷积网络，以聚合来自不同属性节点的信息。最后，设计的特征融合模块有效地整合了节点特征和拓扑信息，从而进一步扩展了特征空间，增强了模型的诊断能力。一系列对比实验验证了所提出的方法优于现有的故障诊断方法。
关键词：故障诊断、图卷积网络、半监督学习、特征融合，时变速度
