Multi-GAT:基于多度量衡构建图的故障诊断方法

基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图神经网络的诊断性能.为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题,本文提出了一种基于多度量衡构造图的故障诊断模型——Multi-GAT.通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱.本文改进了图注意力网络的评分函数,使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性.在本文基准数据集上的实验表明,Multi-GAT能够提升模型的诊...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 41; no. 5; pp. 931 - 940
Main Authors 曹洁, 陈泽阳, 王进花
Format Journal Article
LanguageChinese
Published 兰州理工大学计算机与通信学院,甘肃兰州 730050 01.05.2024
兰州城市学院信息工程学院,甘肃兰州 730050%兰州理工大学计算机与通信学院,甘肃兰州 730050%兰州理工大学 电气工程与信息工程学院,甘肃兰州 730050
Subjects
deep learning
fault diagnosis
故障诊断
图注意力机制
深度学习
graph convolutional neural networks
graph attention mechanism
图卷积神经网络
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2023.20697

Cover

More Information
Summary:基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图神经网络的诊断性能.为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题,本文提出了一种基于多度量衡构造图的故障诊断模型——Multi-GAT.通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱.本文改进了图注意力网络的评分函数,使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性.在本文基准数据集上的实验表明,Multi-GAT能够提升模型的诊断精度,且拥有较好的稳定性.
ISSN:1000-8152
DOI:10.7641/CTA.2023.20697