来源：期刊VIP网 时间：
作者：张建锋;
单位：中煤科工集团重庆研究院有限公司;煤矿灾害防控全国重点实验室;
摘要：基于单一部件特征的瓦斯抽放泵故障分类方法未考虑部件之间的相互作用影响，难以准确捕捉故障本质特征，制约了其在瓦斯抽放泵故障分类任务中的准确性和可靠性。针对该问题，提出了一种基于图采样聚合与分层注意力机制（GraphSAGE-HAT）的融合多部件联合特征的瓦斯抽放泵故障分类模型。首先，通过加速度传感器采集瓦斯抽放泵轴承、叶轮和泵体部件的振动数据，构建包含3个部件特征的数据集，并使用Min-Max归一化方法对数据集进行预处理。其次，采用K最近邻（KNN）算法将预处理后的数据集转换为同构图，便于图神经网络算法进行图特征学习。然后，引入分层注意力机制（HAT），构建GraphSAGE-HAT算法，通过HAT对同构图节点内部各部件特征和节点及其邻居节点特征进行分层加权聚合，有效捕捉部件间的关联关系特征和节点间的数据结构特征。最后，将聚合后的特征输入全连接层，实现对瓦斯抽放泵故障的分类。实验结果表明，相较于单部件特征，融合多部件联合特征和GraphSAGE算法的模型的准确率提升了9.24%，进一步引入HAT后，融合多部件联合特征和GraphSAGE-HAT算法的模型的准确率达到了98.08%。
关键词：瓦斯抽放泵;;故障分类;;图采样聚合;;分层注意力机制;;多部件联合特征
基金资助：重庆市技术创新与应用发展重点资助项目（cstc2019jscx-mbdxX0007）;; 天地科技科技创新创业项目（2023-TD-ZD001-005）
