摘  要：传统深度学习模型在噪声环境中进行故障诊断时常常以牺牲计算效率为代价提升故障诊断精度，本文提出一种基于图傅里叶变换（graph Fourier transform，GFT）和图 Mamba 及图神经网络（graph Mamba and graph convolutional networks，GMGCN）的轴承故障诊断方法，旨在同时提高诊断精度和效率。GFT 将顶点域形式的振动信号转换为图谱域形式的频域特征值谱，识别数据中故障模式的同时减少计算量。GMGCN 模型用于特征提取，其中图 Mamba（graph Mamba，GM）主干不仅能够有效捕捉动态特性及依赖关系，还因其线性复杂度而保持较低的计算开销；图神经网络（graph convolutional networks，GCN）分支则进一步挖掘图中节点信息，提高模型的鲁棒性和精确度；最后引入全连接层和 Softmax 激活函数实现故障分类。实验表明本文方法在抗噪性、诊断精度以及计算效率上更具优越性，为强噪声环境下的轴承故障检测提供参考。

论文下载：

基于GFT和GMGCN的滚动轴承故障诊断模型_陆莹.pdf

  浏览次数：