采用一种包含加权水平可见图(WHVG)的图卷积网络(GCN),对采样的轴承震动时间序列数据分析,进行滚动轴承故障诊断。HVG用于从几何角度将时间序列转换为图形数据。对HVG中两节点的边,以节点距离的倒数作为权重进行加权,以削弱噪声节点对其他距离较远节点的影响。此外,将图同构网络(GIN)改进为GIN+,在聚合层定义中引入权重指标,以更好地拟合WHVG的拓扑特征,并学习图的表征并进行故障分类。最后,通过CWRU的轴承数据集证明了WHVG和GIN的高效性能。
ywlaw / fault-diagnosis-of-rolling-bearing-based-on-whvg-and-gcn_gin Goto Github PK
View Code? Open in Web Editor NEWThis project forked from lanxiu0523/whvg_gcn
采用一种包含加权水平可见图(WHVG)的图卷积网络(GCN),对采样的轴承震动时间序列数据分析,进行滚动轴承故障诊断。其中,对HVG中两节点的边,以节点距离的倒数作为权重进行加权,以削弱噪声节点对其他距离较远节点的影响。