基于图卷积网络的轴承故障检测算法

轴承故障占到了感应发动机故障总数的13,会造成严重的经济损失甚至生命威胁。准确且及时地检测出轴承故障对于提高生产效率和降低安全风险至关重要。传统检测算法对轴承信号特征的选择较为敏感,而基于机器学习的轴承故障检测算法往往仅考虑了样本的特征信息却忽略了样本之间的联系,从而丢失了许多有用的信息。为解决这个问题,将特征提取迁移到图结构,提出了GE⁃HITS的轴承故障检测方法。该方法首先将样本以德劳内三角网形式连接成图;然后将图结构与样本的特征信息一同作为图卷积神经网络的输入;最后将训练后的数据通过权威值排序来判断故障点。通过与在真实数据集上运行的8种对比算法的3种指标进行比较,GE⁃HITS算法都取得了最佳的结果,充分证明了所提算法的有效性。