Page 110 - 《振动工程学报》2026年第5期
P. 110
准确率
训练集
训练集
验证集
验证集
轮次
验证集
验证集
损失率
轮次
轮次 训练集 损失率 准确率 轮次 训练集
1314 振 动 工 程 学 报 第 39 卷
1.00 1.0
0.95
0.9
0.90
0.8
准确率 0.85 准确率 0.7
0.80
0.75 0.6
0.70 训练集 0.5 训练集
验证集 验证集
0.65
0 10 20 30 40 50 0 10 20 30 40 50
轮次 轮次
0.0200 训练集 0.035 训练集
0.0175 验证集 验证集
0.030
0.0150
0.025
0.0125
损失率 0.0100 损失率 0.020
0.015
0.0075
0.0050 0.010
0.0025 0.005
0 0
0 10 20 30 40 50 0 10 20 30 40 50
轮次 轮次
(c) SEU bearing dataset (30 Hz/2 V) (d) JNU bearing dataset
图 8 SP-GAT 在不同数据集下的分类准确率和损失率
Fig. 8 Classification accuracy and loss rate of SP-GAT under different datasets
表 2 模型训练时间 从图 10 中可以观察到，SP-GAT 模型在各种信噪
Tab. 2 Training time of model 比的数据下都能有很好的表现，均优于其他模型，尤
模型 训练时间/s 其是在高噪声（−10 dB）条件下，其仍然保持很高的
SP-GAT 86.23 准确率。由此可见，提取 shapelets 特征序列有着很
CNN 47.32 好的抗噪声性能，并且图注意力网络可以更好地捕
WDCNN 42.55 捉节点之间的重要性差异，抵抗噪声的干扰，使模型
CNN-LSTM 40.90
有着较强的鲁棒性和泛化性能。
GCN 801.95
GAT 652.82 3.4 模型结构性能验证
为分析各个模型在不同信噪比下的抗噪声能 SP-GAT 模 型 的 主 要 创 新 点 是 提 取 shapelets 序
力，本节试验以 CWRU bearing dataset 数据集为例，在 列、通过模式距离构建 KNN 图和图注意力网络，它
原始数据集中分别加入 SNR 为−10、−5、0、5 和 10 dB 们从不同方面学习和整合丰富多样、互为补充的特
的噪声，每个模型分别在 5 种不同信噪比的数据集 征，以获取更出色的性能。因此，研究这三个方面的
下进行 5 次试验并取均值，其结果如图 10 所示。 结构对模型故障诊断性能的影响是有必要的。
准确率 准确率
0 1.0 0 0 0 0 0 0 0 0 0
0 1.0 0 0 0 0
1 0 1.0 0 0 0 0 0 0 0 0
0.8 0.8
2 0 0 1.0 0 0 0 0 0 0 0
1 0 1.0 0 0 0
3 0 0 0 1.0 0 0 0 0 0 0 0.6 0.6
预测标签 4 0 0 0 0 0 0 0 1.0 1.0 0 0 0 0 0 0 0 0 预测标签 2 0 0 1.0 0 0
0
0
5 0
6 0 0 0 0 0 0 1.0 0 0 0 0.4 0.4
3 0 0 0 1.0 0
7 0 0 0 0 0 0 0 1.0 0 0
0.2 0.2
8 0 0 0 0 0 0 0 0 1.0 0
4 0 0 0 0 1.0
9 0 0 0 0 0 0 0 0 0 1.0
0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4
真实标签 真实标签
(a) CWRU bearing dataset (b) SEU bearing dataset (20 Hz/0 V)
准确率 准确率
预测标签 预测标签
真实标签 真实标签
