背景
基于图卷积网络(GCN)的轴承故障诊断是一种有效的技术,它利用图卷积操作来处理轴承运行数据中的复杂关系,从而实现故障的准确识别和分类。这种方法的核心在于通过构建轴承的关联图,并利用GCN来提取故障特征,进而进行分类识别。
图卷积操作是针对图结构数据的特殊卷积操作,与传统的卷积神经网络(CNN)在网格数据(如图片)上的操作不同。在图卷积中,节点的特征表示是根据其邻居节点的特征和自身的特征来更新的,这可以视为在图上的信息传播和聚合过程。在轴承故障诊断中,图卷积网络能够有效地捕获轴承运行数据中节点间的复杂关系,从而提取出有用的故障特征。
传统的GCN故障诊断方法存在一个主要问题,即使用的关联图中节点间边的权值是固定的,当GCN层数加深时,每个节点的特征会变得十分相似,导致诊断精度降低。为了解决这个问题,提出了基于欧式距离(ED)和余弦距离(CD)的GCN故障诊断方法(EC-GCN)。这种方法通过充分利用节点间的数值特征和方向特征,利用ED和CD来构建加权样本关联图,使得图卷积操作能够更准确地反映节点间的相似性和差异性。
在EC-GCN中,关联图作为GCN的输入,通过图卷积操作提取故障特征。同时,为了进一步提高模型的稳定性和泛化能力,还可以引入DropEdge技术,在训练过程中随机丢弃一部分边。这样做可以减少过拟合的风险,使得GCN能够学习到更稳定的节点特征。
最终,将提取的故障特征输入分类器进行分类识别。分类器可以是支持向量机(SVM)、随机森林等机器学习算法,也可以是深度学习模型。通过大量的实验和对比分析,可以