变工况下动态卷积域对抗图神经网络故障诊断
Fault diagnosis of dynamic convolutional domain adversarial graph neural networks under variable working conditions作者机构：哈尔滨工程大学信息与通信工程学院黑龙江哈尔滨150001 哈尔滨工程大学先进船舶通信与信息技术工业和信息化部重点实验室黑龙江哈尔滨150001 黑龙江省政务大数据中心黑龙江哈尔滨150028
出 版 物：《哈尔滨工程大学学报》 (Journal of Harbin Engineering University)
年 卷 期：2024年第45卷第7期
页 面：1406-1414页
核心收录：
学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
基 金：国家自然科学基金项目(61102105) 国防科技重点实验室基金项目(6142209190107) 先进船舶通信与信息技术工业和信息化部重点实验室项目(AMCIT2101-08) 中央高校基本科研业务费项目(3072022QBZ0806)
主 题：无监督域自适应 动态卷积 域对抗 图神经网络 图生成 高斯Wasserstein距离 故障诊断 变工况
摘 要：针对基于无监督域自适应故障诊断方法忽略了域间数据结构信息、传统域对齐平均最大差异法全局泛化能力差等问题,本文提出一种基于无监督域自适应理论的动态卷积域对抗图神经网络故障诊断模型,分别通过对数据的类别标签、域标签和数据结构信息进行建模。通过分类器和域鉴别器分别建模类别标签和域标签,通过图神经网络将数据结构信息嵌入到实例图节点中,利用高斯Wasserstein距离来度量不同领域的实例图之间的差异。本文对比了不同工况下共14种迁移任务在各模型下故障识别的准确率。实验结果表明:基于动态卷积的域对抗图神经网络模型在变工况下的故障诊断效果均优于其他对比模型,且模型性能稳定。
维普期刊数据库
同方期刊数据库
