噪声与振动控制 ›› 2026, Vol. 46 ›› Issue (2): 115-120.

• 信号处理与故障诊断 • 上一篇    下一篇

基于GC-KAN网络的声信号滚动轴承故障诊断

张吉鑫1,马萍2,张宏立2,王妮妮1,王聪2,李新凯2   

  1. ( 1. 新疆大学电气工程学院,乌鲁木齐830017;
    2. 新疆大学智能科学与技术学院,乌鲁木齐830017 )
  • 收稿日期:2024-09-03 修回日期:2024-11-16 出版日期:2026-04-18 发布日期:2026-04-17

Fault Diagnosis of Acoustic Signals of Rolling Bearings Based on GC-KAN Network

  • Received:2024-09-03 Revised:2024-11-16 Online:2026-04-18 Published:2026-04-17

摘要: 针对滚动轴承运行中采集信号的振动传感器难安置、检测信号易受干扰且故障数据少等特点,提出一种基于图卷积-柯尔莫果洛夫-阿基尔德网络滚动轴承声信号故障诊断方法。该方法针对目前研究声信号在低信噪比情况下诊断结果不理想、模型训练时间长、需要的数据量大等问题,有着优异效果。该方法首先利用快速傅里叶变换将声信号转换为频域信号,并根据得到的频谱定义图的节点和边并构建成全连接图,接着利用图卷积神经网络提取全连接图的轴承特征,再利用柯尔莫果洛夫-阿基尔德网络进一步提取故障特征并拟合特征非线性函数,最后使用Softmax 作为分类器对特征进行分类识别。实验结果表明,该模型能够在较少样本的情况下快速准确识别故障。在低信噪比的情况下,故障诊断准确率也能达到98.3 %。

关键词: 故障诊断, 声信号, 图卷积-柯尔莫果洛夫-阿基尔德网络