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

在机械智能故障诊断领域，半监督学习近年来得到了广泛研究，其旨在利用有限的标记样本挖掘未标记样本中的信息。然而，现有的研究存在一些局限性，为应对这些问题，本文提出了一种名为LPS - DGAT的半监督故障诊断方法。

1. 现有研究的局限性

• 标签信息利用不足 ：现有研究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，导致有限的标签信息未得到充分利用。
• 特征提取能力有限 ：现有的图神经网络（GNNs）在提取不同邻居节点特征方面能力有限。
• 诊断场景单一 ：以往的研究主要局限于稳定速度下的理想诊断场景，未涉及速度波动的复杂情况。
• 标记率要求高 ：现有的基于GNNs的半监督故障诊断任务标记率不低于5%，在工程实践中，标记数据成本高，可用标记样本将越来越有限。

2. 相关理论

2.1 基本GNN

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。