跨通道桥接图卷积神经网络的多模态故障诊断
作者:
作者单位:

1.安徽理工大学计算机科学与工程学院 淮南,232001;2.安徽理工大学机电工程学院 淮南,232001

作者简介:

苏树智,男,1987年9月生,博士、副教授、硕士生导师。主要研究方向为多模态人工智能、模式识别、机械故障诊断。曾发表《Fault diagnosis of rotating machinery via multi-structure fusion discriminative projection》(《Measurement Science and Technology》2023,Vol. 34)等论文。 E-mail: sushuzhi@foxmail.com

通讯作者:

朱彦敏,女,1987年7月生,博士、硕士生导师。主要研究方向为多模态模式识别、机械故障诊断。 E-mail:Zyanmin1988@163.com

中图分类号:

TH165.3;TP183

基金项目:

国家自然科学基金面上资助项目(52374155,61806006);安徽省高等学校自然科学研究重大资助项目(2022AH040113,2024AH050399);安徽省自然科学基金面上资助项目(2308085MF218);安徽省高校中青年教师培养行动资助项目(YQZD2023035);淮南市指导性科技计划资助项目(2023142,2023147);合肥综合性国家科学中心大健康研究院职业医学与健康联合研究中心资助项目(OMH-2023-05,OMH-2023-24);安徽理工大学青年基金重点资助项目(QNZD202202);安徽理工大学医学专项培育重大资助项目(YZ2023H2A007)


Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对传统故障诊断方法难以提取全面的故障特征以及泛化能力相对较弱等问题,提出了一种跨通道桥接图卷积神经网络(cross-channel bridge graph convolutional network,简称CCBGCN)的多模态故障诊断方法。首先,构造K近邻图获得不同模态的图结构数据,考虑到每个模态特有的故障信息,使用图卷积操作先获取各模态的故障特征,再跨越不同通道建立高效的桥接机制,促进特征的融合与补充;其次,针对多个模态中隐藏的共同信息,使用动态协同机制捕捉共有故障特征,从而提升模型的综合分析能力;最后,使用多通道融合Transformer模块实现多通道信息整合和故障诊断,所提出方法在数据集Paderborn和AUST上的准确率分别达到了0.995和0.984。实验结果表明,该模型可有效增强多模态故障特征,捕捉相似故障特征,在变工况下的诊断精度和鲁棒性均优于常用方法。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2024-09-01
  • 最后修改日期:2024-10-09
  • 录用日期:
  • 在线发布日期: 2025-06-28
  • 出版日期:
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司