基于多维特征与图卷积网络的可解释主动磁轴承-转子系统故障诊断方法

《Mathematics》：Interpretable Intelligent Fault Diagnosis of Active Magnetic Bearing–Rotor Systems Based on Multidimensional Feature Fusions with Robustness Assessment

　　为弥补主动磁轴承–转子系统故障诊断中特征提取在故障机理层面可解释性不足及多源信息融合效率低下的问题，提出一种基于多维特征与图卷积网络的可解释智能诊断方法。利用集成感知系统采集的多通道位移传感器信号，该方法提取单通道特征及由轴心轨迹得到的多通道时空关联特征。设计轨迹复杂度特征集以表征轨迹形态与故障机理之间的对应关系，同时构建时空关联特征集以显式描述多通道间的耦合关系。针对两类特征集的不同特性，构建双阶段特征融合诊断模型。采用图卷积网络学习通道特定特征间的交互模式，并将其与时空关联特征进行融合，随后输入分类器进行故障识别。在物理磁悬浮转子试验台上采集的五类故障数据上的实验结果表明，所提方法在类别不平衡条件下诊断准确率达到97.8%。所设计的特征集为诊断结果提供了良好的可解释性。具体而言，在信噪比为5 dB时诊断准确率为89.0%，当采样率从2500 Hz降低至1250 Hz时诊断准确率为83.2%，分别下降了8.8和14.6个百分点。上述单独评估的扰动在固定转速下为所考察噪声与采样率范围内的鲁棒性提供了定量证据。此外，所提方法对采样率变化与噪声干扰表现出较强的鲁棒性，为主动磁轴承–转子系统的智能故障诊断提供了有效解决方案。