Page 112 - 《振动工程学报》2026年第5期
P. 112
1316 振 动 工 程 学 报 第 39 卷
备的不同位置实现故障诊断任务，本部分试验使用 表 3 水泥生产工艺环境下不同水泥生产设备数据集描述
在某水泥厂的水泥生产工作环境下的几种具有代表 Tab. 3 Datasets description of different cement production
equipments under cement production process environment
性的水泥生产设备的真实数据集来验证 SP-GAT 模
型的性能，水泥生产环境所采集到的数据往往面临 设备名称 状态类型 训练数量 验证数量 测试数量 标签
正常 250 125 125 0
着大量噪声干扰，模型工作环境非常恶劣，这对于故 辊压机
障诊断模型的特征提取能力和抗干扰能力有着很大 故障 250 125 125 1
正常 250 125 125 0
的挑战，这一试验有助于全面评估 SP-GAT 模型在具 离心风机
故障 250 125 125 1
体工业场景中的性能表现。
水泥磨 正常 250 125 125 0
试验对象为某水泥厂的水泥生产设备，包括辊
主排风机 故障 250 125 125 1
压机、离心风机和水泥磨主排风机，它们的实物图
和三维图如图 12 所示。系统采样频率为 51.2 kHz， LSTM、GAT、GCN 模型作为对照，以真实评估 SP-GAT
3 种故障类型分别为辊压机轴承内圈故障、离心风 模型的准确率。每种模型做 5 次重复试验以保证结
机不平衡故障和水泥磨主排风机轴承外圈故障，其 果的可靠性，将 5 次结果取均值作为最终故障识别
中，辊压机选取的测点是电机自由端 1H 测点，离心 准确率，图 13 显示了不同模型在不同水泥生产设备
风机选取的是联轴器侧 3H 测点，水泥磨主排风机选 下的故障识别准确率。从图 13 中可以清楚地发现，
取的是电机自由端 1H 测点。 辊压机和离心风机上 SP-GAT 模型可以达到 99.5%
以上的准确率，在工作环境恶劣并且噪声和干扰较
高的水泥磨主排风机数据上，也可以达到 99% 以上
的准确率，SP-GAT 模型同其他深度学习模型相比，
电机自由端1H测点
故障诊断精度和泛化性能更高。
(a) 辊压机实物图和三维图
(a) Physical drawing and three-dimensional drawing of roller press 100 99.6 99.3
100 92.5 88.3 90.8 92.9 90.6 86.7 89.5 88.6 88.4 90.3
85 85.3 83.1
准确率 / % 70
风机连轴器侧3H测点 55 52.1 48.6
(b) 离心风机实物图和三维图 44.3
(b) Physical drawing and three-dimensional drawing of centrifugal fan 40
辊压机 离心风机 水泥磨主排风机
水泥生产设备
SP-GAT CNN WDCNN
CNN-LSTM GAT GCN
图 13 不同模型在不同水泥生产设备上的故障识别准确率
电机自由端1H测点 Fig. 13 Fault identification accuracy of different models on
(c) 水泥磨主排风机实物图和三维图 different cement production equipments
(c) Physical drawing and three-dimensional drawing
of cement mill main exhaust fan
3.6 可视化分析
图 12 某水泥厂水泥生产设备及测点位置
Fig. 12 Cement production equipments and measurement point 为了进一步验证本文模型对于故障样本特征提
locations of a cement plant
取的能力，利用 t 分布邻域嵌入方法对原始特征和
数据集共有辊压机正常和故障、离心风机正常 经 SP-GAT 模型提取后的特征进行可视化分析，结果
和故障、水泥磨主排风机正常和故障共 6 种状态类 如图 14 所示，图中横、纵坐标反映了特征空间中各
型 。 将 数 据 集 样 本按 2∶1∶1 的 比 例 划 分 为 训 练 数据点的相对位置情况。可以发现，原始特征的可
集、测试集和验证集，每种状态类型有 500 个数据样 视化之间相互重叠，不同类别之间无法区分，而经过
本，某水泥厂水泥生产工艺环境下不同水泥生产设 本模型对特征进行提取之后，各个数据集上的特征
备数据集描述如表 3 所示。 都能被很好地划分，能够达到理想的分类效果，故提
在本试验中，使用某水泥厂水泥生产工艺环境 取 shapelets 和图注意力机制两项操作可以更好地捕
下的真实生产设备的数据集对 SP-GAT 模型的故障 捉数据中的模式，在提升模型的学习能力和特征提
诊断性能进行检测，同时采用 CNN、WDCNN、CNN- 取能力方面有着显著的优势。
