基于图神经网络的三相感应电机异常检测与严重程度估计
机器学习
2025-08-05 v1 人工智能
摘要
感应电机诊断传统依赖模型方法，需构建复杂动态模型，难以实现且计算开销大。为突破此限制，本文提出一种基于图神经网络（GNN）的无模型方法，用于感应电机故障诊断。关注检测 eccentricity（偏斜）、轴承缺陷和破碎转子栏等多故障类型，及其在不同严重程度和负载条件下的表现。不同于传统方法，本文直接使用原始电流和振动信号作为输入，无需信号预处理或手动特征提取。所提 GNN-ASE 模型自动学习并提取相关特征，利用图结构捕获信号类型与故障模式之间的复杂关系。模型评估了单一故障检测和多类别组合故障条件下的诊断性能。实验结果显示，所提模型在偏斜缺陷检测中达 92.5% 准确率，轴承故障 91.2%，破碎转子栏 93.1%。这些结果凸显了模型在不同运行场景下的鲁棒性和泛化能力。该基于图神经网络的框架提供了轻量且高效的解决方案，简化了实现过程，同时保持高水平诊断性能，作为传统基于模型诊断技术在实际感应电机监测和预测性维护中的有前景的替代方案。
引用
@article{arxiv.2508.00879,
title = {GNN-ASE: Graph-Based Anomaly Detection and Severity Estimation in Three-Phase Induction Machines},
author = {Moutaz Bellah Bentrad and Adel Ghoggal and Tahar Bahi and Abderaouf Bahi},
journal= {arXiv preprint arXiv:2508.00879},
year = {2025}
}