科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的故障诊断方法需要依赖人工经验进行特征提取未能充分考虑数据内部的关联信息，限制了方法的应用。提出一种基于格拉姆角场（Graham Angle Field,GAF）与改进图卷积网络（Improved Graph Convolutional Network,IGCN）的滚动轴承故障诊断方法。首先，通过格拉姆角场将原始振动信号转化为二维图像；再基于超像素分割方法与K近邻方法将二维图像转化为图样本，将故障诊断任务转化为图的整图分类任务；最后基于融入通道注意力机制的改进图卷积网络提取图的局部节点特征信息与全局拓扑结构信息，实现故障状态识别及诊断。基于公开数据集的实验结果表明，提出的方法有效可行，具有较高的故障诊断准确率，相较于对比实验中的传统机器方法具有更优异的性能表现。
- 单位
