基于图卷积神经网络的滚动轴承故障诊断 |
您所在的位置:网站首页 › 张启瑜简历 › 基于图卷积神经网络的滚动轴承故障诊断 |
摘要: 滚动轴承在噪声环境下发生故障时其振动信号往往呈现出非平稳、特征混叠、故障特征易被噪声淹没等特点,为更有效地挖掘其在强噪声环境中的故障特征,提高诊断准确率,提出一种基于图卷积神经网络(GraphConvolutional Networks,GCN)的滚动轴承故障诊断方法。首先,通过快速傅里叶变换(Fast Fourier Transform,FFT)将振动信号转化为频域信号,并根据变换后的频谱定义节点和边,将故障信号构造为全连接图;然后,利用GCN提取全连接图的节点特征;最后,使用全连接层和Softmax 作为分类器对提取的节点特征进行分类识别。实验结果表明,所提方法与机器学习、深度学习和其他图神经网络诊断模型相比,准确率更高,抗噪性更好,可有效实现强噪声背景下端到端的滚动轴承智能故障诊断。 引用本文谭启瑜, 马萍, 张宏立. 基于图卷积神经网络的滚动轴承故障诊断[J]. 噪声与振动控制, 2023, 43(6): 101-108. 使用本文
导出引用管理器 EndNote|Ris|BibTeX 链接本文: https://nvc.sjtu.edu.cn/CN/ https://nvc.sjtu.edu.cn/CN/Y2023/V43/I6/101 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |