Page 106 - 《振动工程学报》2026年第5期

1310 振 动 工 程 学 报 第 39 卷

原始数据切分 shapelets子序列特征提取

节点1
数据1

节点1 节点2 节点n … 使用模式距离按shapelets子序列构建KNN图
快速 shapelets shapelets shapelets
傅里叶
数据2 子序列1 子序列2 子序列10 模式距离
变换
节点1 节点2 节点n …
… 节点n KNN D sp =
… 1 N …
1i
∑ t ih p −p 2i
t N i=1
数据n
…
节点1 节点2 节点n
shapelets shapelets shapelets
子序列1 子序列2 子序列10

TopKPooling TopKPooling
池化层 池化层

… 全局平均池化层 … 全局平均池化层
图模型输入
+ 全连接层 标签

图注意力层 图注意力层

图 5 SP-GAT 网络模型结构图
Fig. 5 Structural diagram of SP-GAT network model

首先对时域信号进行预处理，将输入数据 S 进 计算过程进行优化，显著减少了计算量，提高了计算
行 Z-Score 标 准 化 ， 以 消 除 数 据 中 的 纲 量 差 异 和 偏 效率，FFT 变换过程为：
态分布，使得不同变量之间具有可比性。Z-Score 标 X i = FFT (Z i ) （18）
准 化 将 每 个 数 据 点 转 换 为 标 准 分 数， 即 以 数 据 的 式 中， Z i 为 经 过 预 处 理 的 时 域 信 号 节 点 ； X i 为 经 过
均值为中心，以标准差为单位表示的分数，计算公 FFT 后获得的频域信号节点。
式为： 对于每个节点，提取它的 10 个 shapelets 特征序
χ−µ 列，这种提取 shapelets 序列的方法因其考虑局部特
Z = （17）
s
征，而非传统的全局特征，即便是针对低噪声和缺失
式中， χ为原始数据； µ为数据的均值； s为数据的标
数据也能够提取到其主要特征，提高了可解释性和
准差。标准化后的数据符合均值为 0，标准差为 1 的 鲁棒性，并具有分类速度快的特点。
正态分布。 对于每一个节点的数据，定义 shapelets 特征序列
对经过标准化处理的数据 Z依据给定的样本长 的长度，为获得所有长度为 i的候选序列，在时间序
度分割成多个节点 Z i 。因为时域信号存在对复杂信 列对象上以步长 step_size 滑动长度为 i的窗口，提取
号的特征提取困难、难以识别微弱故障、缺乏频率 每 个 窗 口 的 数 据， 并 使 用 预 设 的 公 式 计 算 其 特 征
信息和对时变特征的分析困难等问题，所以将其作 值。将形状特征（特征值和窗口数据）添加到候选
为输入在某些情况下存在一些限制。相反频域信号 shapelets 列表中，对 shapelets 列表根据特征值进行排
提供了关于信号频率成分、滤波和降噪、特征提取 序，从排序后的 shapelets 列表中选择前 q 个形状特
以及时频分析的信息，这些信息可以帮助我们更准 征，并将它们添加到 q_shapelets 列表中。遍历所有
确地识别和诊断故障，所以将时域信号通过快速傅 候选对象，其中最高的前 q 个特征值对应的 shapelets
里叶变换（fast Fourier transform，FFT）转换为频域信 特征序列即为该节点的时序特征，寻找 shapelets 特

号，FFT 利用数学技巧和高效算法，对傅里叶变换的 征序列的伪代码如算法 1 所示。