Page 109 - 《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 1313

100 100
诊断精度 / % 80 99.9 85.8 93.7 95.4 98.5 97.4 诊断精度 / % 80 99.0 79.4 83.4 89.7 81.0

60
60
47.3
40 40
SP⁃GAT CNN WDCNNCNN- GAT GCN SP⁃GAT CNN WDCNNCNN- GAT GCN
LSTM LSTM
模型 模型
(a) CWRU bearing dataset (b) SEU bearing dataset (20 Hz/0 V)
100 100
诊断精度 / % 80 99.1 76.9 76.8 97.9 95.6 诊断精度 / % 80 99.7 76.5 84.4 98.4 96.5

60
60
46.6 46.3
40 40
SP⁃GAT CNN WDCNNCNN- GAT GCN SP⁃GAT CNN WDCNNCNN- GAT GCN
LSTM LSTM
模型 模型
(c) SEU bearing dataset (30 Hz/2 V) (d) JNU bearing dataset

图 7 不同模型的诊断精度
Fig. 7 Diagnostic accuracy of different models
不及 CNN、WDCNN 和 CNN-LSTM，但远远好于普通 3.3 抗噪性能分析
的 GCN 和 GAT，当模型训练迭代次数达到 15 次时，
在实际的生产过程中，轴承往往运行在复杂的
其准确率和损失率已经趋于稳定，此时它的训练时
间和准确性都优于其他模型，故可以推断出 SP-GAT 工作环境中，充斥着强烈的噪声干扰，所以对故障诊
模型具有良好的计算效率。 断模型进行抗噪性能分析是非常重要的。可以通过
为了进一步验证所提模型在不同数据集上的泛 在原始振动信号中加入高斯白噪声来模拟真实的噪
化性能，进行了混淆矩阵试验，图 9 为 SP-GAT 模型 声环境，而衡量信号噪声强弱的参数是信噪比（SNR），
分别在 4 组测试集上使用混淆矩阵进行分类的结 它是信号与噪声的能量之比，SNR 的计算公式如下：
果。由混淆矩阵可以看出，所有故障标签都已经被 ( P signal )
S NR = 10 lg （21）
成功分类，表明该模型能够在不同数据集上表现出 P noise
很高的故障识别率和泛化性能。 式中， P signal 和 P noise 分别为信号和噪声的平均功率。

1.00 1.00
0.95 0.98
0.90 0.96
准确率 0.85 准确率 0.94
0.80
0.92
0.75 0.90
0.70 训练集 0.88 训练集
0.65 验证集 0.86 验证集
0 10 20 30 40 50 0 10 20 30 40 50
轮次 轮次
训练集 0.00030 训练集
0.0020 验证集 验证集
0.00025
0.0015 0.00020
损失率 0.0010 损失率 0.00015

0.00010
0.0005
0.00005
0 0
0 10 20 30 40 50 0 10 20 30 40 50
轮次 轮次
(a) CWRU bearing dataset (b) SEU bearing dataset (20 Hz/0 V)

准确率 准确率

训练集 训练集
验证集 验证集

轮次 轮次
训练集 训练集
验证集 验证集

损失率 损失率

轮次 轮次