采用马尔科夫转移场和图注意力网络的滚动轴承故障诊断方法

打开文本图片集

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，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MTF‑GAT模型进行故障诊断，并在两个数据集上进行试验验证。（剩余16385字）