面向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错综复杂且多变。然而,现有的智能故障诊断研究大多是在恒定转速条件下进行的,针对时变转速条件下的故障诊断研究较少。此外,有标签数据的有限性为智能故障诊断方法带来了相当大的障碍。因此,本文提出了一种半监督元路径空间扩展图神经网络( ME-GNN ),用于时变转速和有限标记样本情况下的故障诊断。首先,提出了一种新颖的异构图,将振动数据、故障信息和变转速信息之间的最近邻关系转换为一个图。这种图不仅集成了多样化的物理信息,而且有利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中获取异构图的特征信息,实现了元路径空间扩展图卷积网络来聚合来自不同属性节点的信息。最后,所设计的特征融合模块有效融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方法优于现有的故障诊断方法。
