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