Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (6): 101-108.

Previous Articles     Next Articles

Fault Diagnosis of Rolling Bearings Based on Graph Convolutional Networks

  

  • Received:2022-07-28 Revised:2022-09-21 Online:2023-12-18 Published:2023-12-18

基于图卷积神经网络的滚动轴承故障诊断

谭启瑜马萍张宏立   

  1. ( 新疆大学电气工程学院,乌鲁木齐830017 )

摘要: 滚动轴承在噪声环境下发生故障时其振动信号往往呈现出非平稳、特征混叠、故障特征易被噪声淹没等特点,为更有效地挖掘其在强噪声环境中的故障特征,提高诊断准确率,提出一种基于图卷积神经网络(GraphConvolutional Networks,GCN)的滚动轴承故障诊断方法。首先,通过快速傅里叶变换(Fast Fourier Transform,FFT)将振动信号转化为频域信号,并根据变换后的频谱定义节点和边,将故障信号构造为全连接图;然后,利用GCN提取全连接图的节点特征;最后,使用全连接层和Softmax 作为分类器对提取的节点特征进行分类识别。实验结果表明,所提方法与机器学习、深度学习和其他图神经网络诊断模型相比,准确率更高,抗噪性更好,可有效实现强噪声背景下端到端的滚动轴承智能故障诊断。

关键词: 故障诊断, 滚动轴承, 全连接图, 图卷积神经网络