​ 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。