面向多尺度特征提取与智能故障诊断的滤波感知谱图小波网络
信号处理
2023-03-28 v1
摘要
随着深度学习（DL）方法的发展，智能故障诊断不断提升。近来，新兴的图神经网络（GNNs）也被引入故障诊断领域，旨在更好地利用不同传感器测量间相互依赖关系的归纳偏置。然而，这些基于 GNN 的故障诊断方法存在局限：首先，因 GNN 感受野固定，缺乏多尺度特征提取能力；其次，随模型加深终遇过平滑问题；最后，受 GNN 黑盒性质影响，提取特征难以理解。为解决这些问题，本文提出滤波感知谱图小波网络（SGWN）。SGWN 中，谱图小波卷积（SGWConv）层基于谱图小波变换建立，可将图信号分解为尺度函数系数与谱图小波系数。借助 SGWConv，SGWN 能通过同时提取低通与带通特征，防止长距离低通滤波导致的过平滑问题。此外，为加速 SGWN 计算，SGWConv 中的尺度核函数与图小波核函数由切比雪夫多项式近似。所提 SGWN 的有效性在采集的电磁阀数据集与航空发动机中介轴承数据集上评估。实验结果表明，SGWN 在诊断精度与防过平滑能力上均优于对比方法，且提取特征可结合领域知识解释。
引用
@article{arxiv.2303.14958,
title = {Filter-informed Spectral Graph Wavelet Networks for Multiscale Feature Extraction and Intelligent Fault Diagnosis},
author = {Tianfu Li and Chuang Sun and Olga Fink and Yuangui Yang and Xuefeng Chen and Ruqiang Yan},
journal= {arXiv preprint arXiv:2303.14958},
year = {2023}
}