面向少样本故障诊断的通道自适应生成重建与多传感器图特征融合方法

本综述提出了一种创新的通道自适应生成重建与融合框架（CogFusion-DSTT），通过对比变分图自编码器（CGE）重构噪声抑制的节点特征，并结合双尺度拓扑Transformer（DSTT）深度挖掘多通道拓扑图，显著提升了少样本条件下故障诊断的鲁棒性与准确性。该方法在轴向流泵和HUSTgearbox数据集上验证了其优越性。

　　

Highlight

本研究提出一种通道自适应生成重建与融合框架，用于解决噪声环境下的少样本故障诊断问题。该框架包含两个核心组件：（1）CogFusion模块集成对比变分图自编码器（CGE），通过建模多传感器信号的潜在分布来重构鲁棒的节点特征。通过生成正/负样本对进行无监督对比学习，CogFusion动态量化通道可信度并抑制噪声嵌入；（2）双尺度拓扑Transformer（DSTT）模型融合GraphSAGE的局部结构感知与Transformer的全局注意力机制，从重构图中提取多尺度故障特征。

Conclusions

本研究提出了一种通道自适应生成重建与融合框架，用于解决噪声条件下的少样本故障诊断问题。该框架包含两个关键组成部分：（1）CogFusion模块集成对比变分图自编码器（CGE），通过建模多传感器信号的潜在分布来重构鲁棒的节点特征。通过生成正负样本对的无监督对比学习，CogFusion动态量化通道权重并抑制噪声嵌入；（2）双尺度拓扑Transformer（DSTT）深度融合GraphSAGE的邻域聚合与Transformer的全局自注意力机制，从重构图中提取具有判别性的多尺度故障特征。实验结果表明，所提出方法在噪声鲁棒性和跨通道信息整合方面表现出显著优势。