进化型超图:一种基于卡尔曼滤波的时空动态超图神经网络,用于多传感器滚动轴承故障诊断
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Evolutionary hypergraph: A Kalman-guided spatiotemporal dynamic hypergraph neural network for multi-sensor rolling bearing fault diagnosis
【字体:
大
中
小
】
时间:2026年05月13日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9
编辑推荐:
应丽|刘小平|梁鹏飞|徐学涛|袁晓明|张立杰|顾凤寿摘要现代多传感器系统生成的高维数据通常会受到噪声干扰,并且具有动态变化的特性,这些数据表现为多变量时间序列。在准确的故障诊断过程中,复杂的时空依赖关系起着关键作用。然而,有效地建模这些高阶相关性仍然是一个重大挑战。为了解决这个问
应丽|刘小平|梁鹏飞|徐学涛|袁晓明|张立杰|顾凤寿
摘要
现代多传感器系统生成的高维数据通常会受到噪声干扰,并且具有动态变化的特性,这些数据表现为多变量时间序列。在准确的故障诊断过程中,复杂的时空依赖关系起着关键作用。然而,有效地建模这些高阶相关性仍然是一个重大挑战。为了解决这个问题,本文提出了一种基于卡尔曼滤波的时空动态超图神经网络(KSD-HGNN),该网络旨在全面捕捉多个传感器之间的高阶关系及其动态演变。该框架首先使用可学习的带通滤波器组进行自适应的频域特征提取,然后构建并优化一个动态时空超图,以同时编码空间邻接关系和跨步时间依赖性。此外,通过将卡尔曼滤波集成到超图卷积中,模型可以对超边序列进行时间平滑和状态估计,从而获得更加稳定的时空表示。最后,卡尔曼引导的分支学习到的状态动态与自适应拓扑分支捕获的结构动态通过门控机制融合在一起,形成一个更加稳定和全面的系统表示。实验结果表明,在不同的运行条件和噪声环境下,KSD-HGNN的表现始终优于现有方法,显著提高了多传感器轴承故障诊断的准确性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号