基于GAT和Transformer编码器的集成增强图自编码器用于稳健故障诊断

故障分类在工业机械设备中至关重要，以提高可靠性并减少停机时间，但由于振动模式在不同运行条件下的多样性，仍然具有挑战性。本研究引入一种新型基于图的故障分类框架，将来自不同马力水平下运行的机械设备的时序振动数据转换为图表示。我们利用香农熵确定数据分段的最优窗口大小，确保每个分段捕获显著的时序模式，并采用动态时间错位（DTW）基于分段相似性定义图边。开发了一个包含深度图转换器编码器、解码器和集成分类器的图自编码器（GAE），用于学习图的潜在表示并在各种故障类别中进行分类。对GAE在Case Western Reserve University（CWRU）数据集上的性能进行了评估，并在HUST数据集上进行了跨数据集泛化测试。结果表明，GAE在CWRU数据集上实现了0.99的平均F1分数，显著优于基线模型——卷积神经网络（CNN）、循环神经网络（LSTM）、RNN、GRU和双向LSTM（F1分数：0.94-0.97，p<0.05， Wilcoxon符号秩检验对Bi-LSTM：p<0.05）——尤其是在具有挑战性的类别中（例如，第8类：0.99 vs. Bi-LSTM的0.71）。数据集特征的可视化揭示，振动模式被放大且故障动力学多样化的数据集有助于增强泛化性。该框架为在不同条件下提供稳健的故障诊断解决方案，为数据集对模型性能的影响提供了洞见。