18、基于标签传播策略和动态图注意力网络的半监督故障诊断方法

基于标签传播策略和动态图注意力网络的半监督故障诊断方法

1. 研究背景

半监督学习旨在利用有限的标记样本挖掘未标记样本中的信息，近年来在机械智能故障诊断领域得到了研究。现有研究在一定程度上应对了故障诊断任务中标记样本不足的挑战，但存在一些局限性：
- 忽略了少量标记样本和大量未标记样本之间的联合依赖关系，导致有限的标记信息未得到充分利用。
- 相关图神经网络（GNN）提取不同邻节点特征的能力有限。
- 研究局限于稳定速度下的理想诊断场景，未涉及速度波动场景。
- 基于GNN的半监督故障诊断任务中标记率不低于5%，而工程实践中可用标记样本将越来越有限。

为应对速度波动和极低标记率的挑战，提出了一种新的半监督故障诊断方法LPS - DGAT。

2. 主要算法相关理论

2.1 基本GNN

与卷积神经网络（CNN）不同，GNN是基于图结构数据的学习模型，可在非欧几里得空间中根据节点的连接关系定义图卷积。其图结构可简化为：
$G = (H, A)$
其中，$H = {h_1, h_2, \cdots, h_n} \in R^{n \times d}$ 表示节点特征矩阵，$n$ 是节点数量，$d$ 是特征维度；$A \in R^{n \times n}$ 是表示边结构的邻接矩阵，$A_{ij}$ 表示连接节点 $h_i$ 和节点 $h_j$ 的边。

GNN的转换层通过学习邻节点的特征来更新节点表示，输入图结构 $G$，输出新的节点特征矩阵 $H’ = {h_1’, h_2’, \cdots, h_n’}$，定义为：
$h_i’ = \Gamma({h_j