Page 111 - 《振动工程学报》2026年第5期

预测标签

真实标签 准确率 预测标签 真实标签 准确率
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 1315

准确率 准确率

1.0 1.0
0 1.0 0 0 0 0 0 0 0
0 1.0 0 0 0 0
0.8 1 0 1.0 0 0 0 0 0 0 0.8
1 0 1.0 0 0 0 0.6 2 0 0 1.0 0 0 0 0 0 0.6
预测标签 2 0 0 1.0 0 0 0.4 预测标签 3 4 0 0 0 0 0 0 1.0 1.0 0 0 0 0 0 0 0.4
0
0

3 0 0 0 1.0 0 5 0 0 0 0 0 1.0 0 0
0.2 6 0 0 0 0 0 0 1.0 0 0.2
4 0 0 0 0 1.0
7 0 0 0 0 0 0 0 1.0
0 0
0 1 2 3 4 0 1 2 3 4 5 6 7
真实标签 真实标签
(c) SEU bearing dataset (30 Hz/2 V) (d) JNU bearing dataset

图 9 SP-GAT 在不同数据集下的混淆矩阵
Fig. 9 Confusion matrix of SP-GAT under different datasets

代替图注意力网络）。注意，上述 3 个模型结构除了
100
缺少相应的结构，其余结构和原模型保持一致。每
90 种结构进行 次试验，最终测试结果取均值，试验
准确率 / % 80 结果如图 11 10 所示。
70
CNN GAT 由图 11 可以得出，3 种结构从多个信号分量中
60
WDCNN GCN 学习更多的故障特征，与原始信号特征相互补充，提
CNN-LSTM SP-GAT
50
−10 −5 0 5 10 高模型学习故障噪声特征的准度率，同时，在试验中
信噪比 / dB 模 型 运 行 速 度 比 其 他 模 型 慢 几
检 测 到， SP-GAT-1
图 10 不同模型的抗噪性能分析 倍，这表明提取 shapelets 序列可以解决构建图结构
Fig. 10 Analysis of noise immunity performance of different 所用的临近算法需要存储和搜索整个数据集的问
models
题，降低了计算的复杂度。

为了定量评估 SP-GAT 模型中 3 个结构的作用
3.5 工程应用验证
和 效 果， 在 试 验 中 设 置 了 3 种 模 型 结 构 ， 包 括 SP-
GAT-1（缺少提取 shapelets 序列）、SP-GAT-2（使用欧 在实际的生产过程中，故障诊断模型往往面临
氏距离构建 KNN 图）和 SP-GAT-3（使用图卷积网络 着恶劣且复杂多变的工作环境，需要在不同生产设

100 100
准确率 / % 90 SP-GAT-2 准确率 / % 90 SP-GAT-1
80
80
SP-GAT-1
SP-GAT-2
70
SP-GAT-3
SP-GAT 70 SP-GAT-3
SP-GAT
60 60
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)
100 100
准确率 / % 90 SP-GAT-2 准确率 / % 90 SP-GAT-1
80
80
SP-GAT-1
SP-GAT-2
70
SP-GAT-3
SP-GAT
SP-GAT 70 SP-GAT-3
60 60
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 11 不同模型结构性能验证
Fig. 11 Verification of the performance of different model structures