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。
