摘要：水泵是现代工农业生产中的常见装备，其运行环境下普遍存在大量噪声，给基于数据驱动的故障识别带来了困难。研究表明，图神经网络对噪声信号下的故障特征提取有着显著优势。通过将一维信号转换为图结构数据，能够揭示信号中隐藏的故障信息。然而，故障识别的可靠性在很大程度上取决于输入图的构建策略。对此，本文提出了一种具有噪声强鲁棒的构图策略和图特征提取方法。其中，构图环节通过短时傅里叶变换来嵌入节点信息，并利用余弦相似度实现边关系的建立，保证样本内部的特征空间得到充分的描述。接着，提出了一种图剪枝优化方法，既增强了输入图的噪声鲁棒性，又减少了计算压力。进一步地，利用一种改进的GraphSAGE模型对构建得到的输入图进行逐层图特征提取，并利用SoftMax分类器得到每个样本的故障标签。通过轴流泵试验平台进行数据采集与方法验证，证明了所提方法在噪声背景下多部件故障识别的可靠性。
文章目录
0 引言
1 理论基础
1.1 输入图
1.2 GraphSAGE介绍
2 所提STFDG-IGS故障诊断方法
2.1 短时特征描述图（STFDG）
2.2 IGS模型构建
2.3 基于STFDG-IGS的故障识别总体流程
3 实验验证
3.1 实验装置
3.2 IGS的超参数设置
3.3 故障诊断结果
4 讨论
4.1 不同图构建策略的比较
4.2 残差连接的有效性分析
4.3 不同剪枝比例的鲁棒性分析
4.4 与其他方法在小样本条件下的比较
4.5 噪声鲁棒性探究
5 结论与展望
