科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对实际工程环境复杂多变而导致模型识别准确率不高的问题，本文提出了一种融合马尔科夫转移场和图注意力网络（Markov Transition Field and Graph Attention Networks,MTF-GAT）的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点，将一维信号转换为二维特征图并定义图的节点和边；利用图注意力层可自适应地对邻近节点分配不同权重的特点，提高模型捕获有用故障特征的能力，并采用深层卷积模块进一步提取图的抽象信息；通过模拟实际工程环境，将各类故障信号输入到训练好的M TF-GAT模型进行故障诊断，并在两个数据集上进行实验验证。结果表明，本文所提出的模型在多种环境下均能准确地完成故障分类任务，相较于其他常用的深度学习模型，MTF-GAT模型具有更好的识别精度和泛化性能。
-
单位机电工程学院; 兰州理工大学
