小样本轴承故障诊断:一种基于Laplace-CNN的图神经网络方法

来源：振动与冲击杂志2026年第1期北京时间：

作者：何俊，黄承纬，刘士亚liushiya@fosu，陈志文，朱文杰，戴磊

单位：1.佛山大学机电工程与自动化学院，广东佛山528000；2.中南大学自动化学院，长沙410083；3.佛山市诚德新材料有限公司，广东佛山528500

摘要：基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性，而面临分类精度低、泛化能力差等性能瓶颈；提出一种基于<span>Laplace</span>嵌入的深度图神经特征提取器，以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先，将Laplace小波卷积嵌入到卷积神经网络(CNN)的第一层并替换其普通卷积核，以实现原始振动信号的多尺度时频特征提取；然后，利用多头注意力机制处理时频特征并构建特征矩阵，以捕获全局长距离依赖的特征，实现完整的实例图构建与切比雪夫图神经网络故障诊断。最后，分别使用西储大学(CWRU)与东南大学(SEU)轴承数据集进行验证，结果表明所提方法的性能优于其他当前较先进方法。<br>

关键词：故障诊断；小样本学习 ；图神经网络；Laplace-卷积神经网络（CNN）