针对实际工程环境复杂多变而导致模型识别准确率不高的问题,提出了一种融合马尔科夫转移场和图注意力网络(Markov transition field and graph attention networks,MTF-GAT)的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点,...针对实际工程环境复杂多变而导致模型识别准确率不高的问题,提出了一种融合马尔科夫转移场和图注意力网络(Markov transition field and graph attention networks,MTF-GAT)的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点,将一维信号转换为二维特征图并定义图的节点和边;利用图注意力层可自适应地对邻近节点分配不同权重的特点,提高模型捕获有用故障特征的能力,并采用深层卷积模块进一步提取图的抽象信息;通过模拟实际工程环境,将各类故障信号输入到训练好的MTF-GAT模型进行故障诊断,并在两个数据集上进行试验验证。结果表明,本文所提出的模型在多种环境下均能准确地完成故障分类任务,相较于其他常用的深度学习模型,MTF-GAT模型具有更好的识别精度和泛化性能。展开更多
文摘针对实际工程环境复杂多变而导致模型识别准确率不高的问题,提出了一种融合马尔科夫转移场和图注意力网络(Markov transition field and graph attention networks,MTF-GAT)的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点,将一维信号转换为二维特征图并定义图的节点和边;利用图注意力层可自适应地对邻近节点分配不同权重的特点,提高模型捕获有用故障特征的能力,并采用深层卷积模块进一步提取图的抽象信息;通过模拟实际工程环境,将各类故障信号输入到训练好的MTF-GAT模型进行故障诊断,并在两个数据集上进行试验验证。结果表明,本文所提出的模型在多种环境下均能准确地完成故障分类任务,相较于其他常用的深度学习模型,MTF-GAT模型具有更好的识别精度和泛化性能。
