面向旋转机械跨域智能诊断的动态稀疏图注意力框架（DSGA-SAGE）研究

本文提出了一种创新的动态稀疏图注意力框架（DSGA-SAGE），通过去中心化图构建（DG）、动态稀疏注意力（DSA）机制和对抗性最大均值差异（A-MMD）损失函数，有效解决了旋转机械故障诊断中高维动态传感器数据处理、跨域知识迁移和计算效率优化等核心难题。该框架在五大工业数据集上实现了96.29%的最高诊断准确率，为工业智能诊断提供了突破性解决方案。

　　

Section snippets

Related work

本节简要回顾了与图神经网络（GNN）和跨域分类相关的文献。

Problem definition

本节深入探讨了图理论的复杂领域。如表1所示，丰富的符号系统用于描述详细的图 notation。

我们聚焦于图G内的节点分类问题，其基本结构可数学表达为G=(V,E,X,Y)。其中V是N个顶点{v_i}_i=1^N的集合，E代表连接这些顶点的边集。标签矩阵Y^N×C表示每个节点的类别标签，Y_(i)^l

Proposed method for diagnosing rotating machinery faults

为解决旋转机械故障诊断中的复杂数据和跨域适应挑战，本节介绍了一种名为DSGA-SAGE的新框架，其详细流程如图2所示。该框架建立在三个协同工作的核心组件上：(1) 去中心化图（DG）构建；(2) 动态稀疏图注意力（DSGA）机制层；(3) 双聚合SAGE层（DualAggrSAGE）。

此外，为增强该框架的跨域自适应能力...

Experiments

本节总结了评估所用的基础基准、数据集和实验设置。随后展示了所研究算法的实证性能，包括相应的消融研究和可视化说明。

Conclusion and future work

本文通过新颖的框架解决了旋转机械故障诊断中的关键挑战。首先，我们提出了一种去中心化图方法，将多维信息整合到单一图中构建数据图。其次，我们设计了一种新颖的DSGA-SAGE，在捕获全局和局部特征的同时降低了计算复杂度。第三，我们提出了一种创新的域自适应学习策略，改善了跨域迁移...