前言

本文基于凱斯西儲大學(xué)（CWRU）軸承數(shù)據(jù)，先經(jīng)過數(shù)據(jù)預(yù)處理進(jìn)行數(shù)據(jù)集的制作和加載，最后通過Pytorch實現(xiàn)K-NN+GCN模型對故障數(shù)據(jù)的分類。

1.相關(guān)網(wǎng)絡(luò)介紹

1.1 圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)

論文地址：??https://arxiv.org/abs/1609.02907??

1.2 圖注意力網(wǎng)絡(luò)(GAT)

論文地址：??https://arxiv.org/abs/1710.10903??

1.3 稀疏圖卷積網(wǎng)絡(luò)(SGCN)

論文地址：???https://arxiv.org/abs/2104.01528???

1.4 GIN 圖同構(gòu)網(wǎng)絡(luò) 

論文地址：???https://arxiv.org/abs/1810.00826???

2.軸承故障數(shù)據(jù)的預(yù)處理

2.1 導(dǎo)入數(shù)據(jù)

參考之前的文章，進(jìn)行故障10分類的預(yù)處理，凱斯西儲大學(xué)軸承數(shù)據(jù)10分類數(shù)據(jù)集：

train_set、val_set、test_set 均為按照7：2：1劃分訓(xùn)練集、驗證集、測試集，最后保存數(shù)據(jù)

上圖是數(shù)據(jù)的讀取形式以及預(yù)處理思路

2.2 數(shù)據(jù)預(yù)處理，制作數(shù)據(jù)集

3.基于Pytorch的GCN軸承故障診斷

3.1 定義GCN分類網(wǎng)絡(luò)模型

3.2 設(shè)置參數(shù)，訓(xùn)練模型

50個epoch，準(zhǔn)確率95%，用GCN網(wǎng)絡(luò)分類效果顯著，模型能夠充分提取軸承故障信號的全局空間和局部特征，收斂速度快，性能優(yōu)越，精度高，效果明顯!

3.3 模型評估

準(zhǔn)確率、精確率、召回率、F1 Score

故障十分類混淆矩陣：

本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模