变转速工况极低标签率下旋转机械半监督故障诊断的熵-图注意力网络

来源：振动与冲击杂志2024年第19期北京时间：

作者：谢俊文，童靳于，郑近德，潘海洋，包家汉

单位：安徽工业大学机械工程学院，安徽马鞍山243032

摘要：在极低标签率情况下，现有的图神经网络（Graph Neural Network, GNN）在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中，旋转机械常工作在变转速工况下，且标记故障样本代价高昂。针对上述两个问题，本文基于JS相对熵（Jenson's Shannon Divergence，JS相对熵）和动态图注意力网络（Dynamic Graph Attention Network，DGAT），提出了一种熵-图注意力网络,并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先，设计了基于JS相对熵的图构造方法，用于充分挖掘GNN中样本间的关联信息。其次，构建基于熵-动态图注意力网络的半监督学习模型，通过动态注意力机制进一步挖掘样本中故障敏感特征。最后，将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证，结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型，且性能优于其它常用的图神经网络。<br>

关键词：旋转机械；故障诊断；相对熵；图神经网络；变转速；低标签率