摘要
在复杂多变条件下，可靠的轴承故障诊断对于旋转机械的稳定运行至关重要。现有的基于图结构的诊断方法通常依赖于预定义的固定拓扑结构或完全数据驱动的图学习，难以兼顾结构可靠性与状态依赖的适应性。为解决这一问题，本文提出了一种先验引导的异构动态图卷积网络（PHDGCN）。PHDGCN从因果一致的时序依赖和频域协变量相关性构建两个关系特定的先验图，并将其作为结构锚点。随后，一种历史条件残差学习机制根据当前局部信号状态对两个先验图进行精细化调整，同时保留其结构约束。经过精化的时序图和协变量图分别由独立的图卷积分支处理，其互补表示被融合用于故障分类。在两个公开轴承故障诊断数据集上的实验表明，PHDGCN的准确率/宏平均F1值分别为93.75%/93.34%和89.47%/87.08%，优于所比较的传统方法和基于图结构的方法。消融实验和图结构可视化进一步展示了先验引导的动态精细化调整的贡献以及两个图分支关系特定的调整行为。
