一个基于MK-KNN图和ESSGAT的模拟数据驱动的半监督框架,用于轴承故障诊断
Yuyan Li1, Tiantian Wang2, Jingsong Xie1
1College of Traffic and Transportation Engineering, Central South University, Changsha 410075, China.
ISA transactions
|October 4, 2024
概括
这项研究引入了一种半监督的框架,用于使用未标记数据进行智能故障诊断. 这种新的方法通过有效利用模拟和真实世界的数据来提高诊断准确性,克服了标签方面的挑战.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 监督智能故障诊断需要广泛的标记数据,这是昂贵的和耗时的获取.
- 使用未标记数据进行故障诊断的挑战需要先进的方法.
研究的目的:
- 为智能故障诊断提出一种新的模拟数据驱动的半监督框架.
- 通过利用未标记的数据来解决传统监管方法的局限性.
主要方法:
- 开发了一种多核K-近邻 (MK-KNN) 方法,以建立模拟和真实数据之间的邻近关系,增强图形的稳定性.
- 一个边缘自我监督的图表注意网络 (ESSGAT) 旨在预测边缘存在,并强调MK-KNN图表中的关键邻近节点.
主要成果:
- 拟议的MK-KNN和ESSGAT框架在轴承和高速列车轴箱轴承数据集上展示了卓越的诊断性能.
- 对比分析显示,与现有的最先进的图形构造方法和图形卷积网络相比,结果有所改善.
结论:
- 开发的半监督框架有效地解决了用有限的标记数据对故障诊断的挑战.
- 这种方法为机械系统的智能故障诊断提供了强大而准确的解决方案.
