来源：期刊VIP网 时间：
作者：李嘉琪;夏尚飞;吉晨晖;
单位：西安科技大学机械工程学院;枣庄职业学院;上海工程技术大学;
摘要：由于工程实践中难以收集足够数量的标记样本，利用图神经网络提高有限样本下的诊断性能成为发展趋势，但传统图神经网络提取的节点特征过于平滑导致模型诊断性能次优。基于此，提出了基于正负图对比学习的旋转机械半监督故障诊断方法(PNG-GCN),首先提取故障样本时频域特征，将少量标记样本与大量未标记样本转换为样本间正关联图及负关联图；基于正关联图建立图卷积网络，完成样本正特征提取，基于负关联图得到样本负特征，通过对比学习最大化正特征与负特征之间距离，得到更鲁棒的特征表示，最终完成模型训练。在凯斯西储大学旋转机械数据集上对该方法进行了验证，结果表明：PNG-GCN在仅使用5%的标记数据进行训练时，模型诊断准确率达到94.49%,证实了模型在有限数据标签下诊断的有效性。
关键词：旋转机械;;故障诊断;;正关联图;;负关联图;;图卷积网络
基金资助：山东省枣庄市研究项目(2022GX23)
