旋转机械在现代制造行业中得到广泛应用，其可靠性对工业生产的重要性不言而喻。随着科技的发展，机械装备越来越大型化、精确化和自动化，这使得其结构变得更为复杂。由于设备的复杂性和部件的紧凑性，微小的故障都有可能引发连锁反应，从而导致整个设备或者与设备相关的环境遭受灾难性的破坏。因此，高效且准确的机械故障诊断技术对于确保高端机械装备的运行稳定、安全、可靠，并防止重大事故的发生具有重大的意义。
王衍学教授团队利用相关方差贡献的数据级融合方法对多通道数据信号进行融合，将声信号和振动信号自适应转化为最优的图结构数据，将其作为gnn（图神经网络）的多源输入，搭建多源信息多层次融合智能诊断框架。相关研究成果以“multi-sensor fusion fault diagnosis method of wind turbine bearing based on adaptive convergent viewable neural networks”（基于自适应聚合可视图神经网络的风力发电机轴承多传感器融合故障诊断方法）为题，发表于《reliability engineering & system safety》（《可靠性工程与系统安全》）。
论文标题和作者页
团队提出了基于相关方差贡献的数据级融合方法，应用于振动信号融合上，将原始avs数据和融合后的振动信号输入到自适应聚合可视图模型中，并映射为最优的图结构数据，以更好地捕捉数据之间的关联关系，提高分类精度。基于改进的diffpool方法对图结构数据进行降采样，减少特征维度并保留关键信息。再将特征向量进行拼接融合，构建全局特征向量，并实现滚动轴承故障的分类。多组实验结果表明，该方法能够充分利用avs数据，识别不同故障类型，具有先进性和优越性，为后续图神经网络在智能诊断中的应用提供参考。
传感器信号融合前后映射得到的图
北京建筑大学电学院硕士研究生李昕鸣为论文第一作者，现已硕博连读土木工程专业博士研究生，王衍学教授为论文的通讯作者。该研究得到国家自然科学基金、北京市科协青年人才托举工程、北京建筑大学青年教师科研能力提升计划和研究生创新项目的支持。
原文链接：