Page 103 - 《振动工程学报》2026年第5期

第 5 期 郭海宇，等：一种结合 shapelets 和模式距离的图注意力网络旋转机械故障诊断 1307

[2]
可靠性和安全性具有重要意义 。 性和泛化性能仍存在不足，如果对原始信号进行特
近年来，数据驱动技术在滚动轴承故障诊断中的 征提取再构建图结构并采取图注意网络，可以更加
[4]
[3]
应用已相对成熟 。MOVSESSIAN 等 在基于振动的 准确地提取关键信息，捕捉节点之间的关系和特征，
结构健康监测框架内提出了一种新的基于人工神经 提高故障诊断性能。
网络的鲁棒损伤检测方法；MANJURUL ISLAM 等 [5] 虽然图神经网络已经用于故障诊断之中，但仍
通过定义轴承原始信号频域的缺陷度度量来推断轴 存在一些问题 [20] 。首先，直接使用原始信号构建图
承的健康指数，提出了一种采用新的健康指数和最 结构存在针对性和泛化性能不足的问题，且临近算法
小二乘支持向量机变体的滚动轴承数据驱动预测方 需要存储和搜索整个数据集，从而导致时间和空间的
案；ZHAO 等 [6] 针对实际工业场景中难以获得足够高 复杂性；其次，在计算节点之间的距离时存在以点距
质量标签信息的问题，提出了一种用于机器智能故 离为基础的时间序列误匹配问题；最后，图神经网络
障诊断的新型无监督有向分层图聚类网络。然而， 的泛化性能不足，难以准确捕捉节点间的关系。为了
这些基于传统机器学习的方法通常存在特征工程复 解决上述问题，本文提出了基于 Shapelets [21-23] 和模式
杂和处理复杂任务能力有限等局限性。 距离 [24-25] 的图注意力网络 [26] （graph attention networks
与传统的机器学习相比，深度学习利用由多个 based on shapelets and pattern distances, SP-GAT） 故 障
层次构成的神经网络来处理复杂的数据和任务，可 诊断方法。首先通过 Z-Score标准化和快速傅里叶变
以有效挖掘高维特征，凭借其强大的特征提取能力， 换（fast Fourier transform, FFT）对原始数据进行预处
在故障诊断领域表现出色 ，例如自动编码 、卷积 理，接着将预处理后的数据划分成多个节点，并在每
[8]
[7]
[9]
神经网络 、循环神经网络 [10] 、生成对抗网络 [11] 等都 个节点提取多个 shapelets 特征序列，之后将每个节
得到了广泛的应用。此外，QIAO 等 [12] 针对传统的风
点所取得的多个 shapelets 序列通过 KNN 方法并使用
力发电机组故障检测方法存在预警时间不足和可移
模式距离构建 KNN 图模型，把构建出的图模型当作
植性差的问题，提出了一种使用元学习的卷积神经
输入，通过两次图注意力层和 TopKPooling 池化层 [27] ，
网络用于检测风力涡轮发电机故障；KIM 等 [13] 针对
将两次池化层输出的特征进行全局平均池化操作后
现有的时频分析方法捕获图像中故障相关信号能力
相加输入全连接层，生成最终的故障诊断结果。最后
有限的问题，提出了一种用于齿轮箱故障诊断的健
在 3 个公开轴承仿真数据集和真实的水泥厂水泥生
康自适应时间尺度表示嵌入式卷积神经网络；SHI 等 [14]
产设备数据集上通过试验验证本文所提模型的性能。

针对卷积神经网络无法在不丢失关键特征信息的情
况下同时提取时空特征的问题，提出了一种基于双
向卷积长短时记忆网络的深度神经网络。以深度学 1 基 础 理 论
习为代表的算法大多从振动信号的幅度中提取故障
1.1 shapelets
特征，提取数据之间的结构和关系的能力有限。但
如果能够提取信号之间的联系，就可以有效提高故 shapelets 特征序列是时间序列中能反映该时间
障诊断的效果。 序列在不同时段代表性特征的子序列。shapelets 作
图数据是一种用于表示样本之间关系的数据结 为一种局部特征，有着较高的准确性、鲁棒性和直
构，它由节点和边组成，其中节点代表样本，边代表 观的可解释性，能够对不等长的序列进行分类，具有
样本之间的联系 [15] 。图神经网络 [16] 是专门用于处理 较强的抗噪能力，可以提升分类的效果 [28-30] 。
和分析图数据的深度学习模型。它们利用边聚合来 时间序列的部分片段为子序列，在长度为 m 的
自相邻节点的信息，并通过迭代更新当前节点，从而
时间序列 T 和定义的子序列长度 l 下，使用大小为 l
深入探索图中的关系信息。它们的应用已经在故障
的 窗 口 提 取 所 有 长 度 为 l 的 子 序 列 S 作 为 候 选
l
P
诊断领域展开，YIN 等 [17] 提出了一种滚动轴承故障
shapelets 特征序列，它的集合定义为 S ：
l
T
诊断的多尺度图卷积神经网络框架，利用图卷积神 { }
l
S T l = S of T, for 1 ⩽ P ⩽ m−l+1 （1）
P
经网络探索不同尺度信号之间的潜在关系；GAO 等 [18]
表示两个相同长度时间序列 T 和 V 之间相似程
提出了一种基于单次学习的图神经网络滚动轴承故
度的距离函数为欧几里得范数 Dist(T,V)，同时，定义
障诊断方法，有效减少了特征提取过程中的损失；
两个不同长度的时间序列 T 与 S 之间的距离如下：
YU 等 [19] 为了提高模型的领域自适应能力，提出了
′
一种基于图神经网络和动态图嵌入机制的故障诊断 SubsequenceDist(T,S ) = min(Dist(S,S )) （2）
框架。以上研究均将原始振动信号转换为图结构， 其中， |S | < |T| S 表示时间序列 T 中与子序列 S 匹配
，
′
并结合图卷积神经网络来实现故障诊断，但其针对 度最佳的子序列， S ∈ S T 。式（2）是一个表示时间序
′