Page 113 - 《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 1317

20 20
0 0 0
15 15 20
1 1 1
10 10 10
5 5
0 0 0
−5 −5 −10
−10 −10
−15 −15 −20
−30 −20 −10 0 10 20 30 −30−20−10 0 10 20 30 30 −8 −6 −4 −2 0 2 4 6 8
(a) 辊压机、离心风机和水泥磨主排风机的原始特征分布
(a) Distribution of original features of roller press, centrifugal fan and cement mill main exhaust fan

60 60
0 0 0
40 1 40 1 40 1
20 20 20
0 0 0
−20 −20 −20
−40 −40 −40
−30 −20 −10 0 10 20 30 −40 −20 0 20 40 −30 −20 −10 0 10 20 30
(b) 辊压机、离心风机和水泥磨主排风机的提取特征分布
(b) Distribution of extracted features of roller press, centrifugal fan and cement mill main exhaust fan

图 14 t-SNE 降维可视化分析结果
Fig. 14 Visualization analysis results of t-SNE dimension reduction

4 结 论 LI Ke，NIU Yuanyuan，SU Lei，et al. Rolling bearing fault
diagnosis method based on parameter optimized VMD[J].
本文提出了一种提取 shapelets 特征子序列，通过 Journal of Vibration Engineering，2023，36（1）：280-287.
[3] ZHOU H X， HUANG X， WEN G R， et al. Convolution
模 式 距 离 构建 KNN 拓 扑 图 的 图 注 意 力 网 络 模 型
enabled transformer via random contrastive regularization for
（SP-GAT），主要结论如下：
rotating machinery diagnosis under time-varying working
（1）本文提出对原始振动信号提取 shapelets 特征
conditions[J]. Mechanical Systems and Signal Processing，
子序列的方法，因为其考虑局部特征，而非传统的考
2022，173：109050.
虑全局特征，即便是针对噪声和缺失数据，依然可以 [4] MOVSESSIAN A，CAVA D G，TCHERNIAK D. An artifi-
较好地提取到特征，故有更好的鲁棒性和泛化性能， cial neural network methodology for damage detection：
且分类速度较传统方式更快。 demonstration on an operating wind turbine blade [J]. Mechan-
（2）本文通过模式距离代替传统的欧氏距离构 ical Systems and Signal Processing，2021，159：107766.
建 KNN 图结构，克服了以点距离为基础的时间序列 [5] MANJURUL ISLAM M M，PROSVIRIN A E，KIM J M.
误匹配问题，能够更好地反映时间序列的相似性。 Data-driven prognostic scheme for rolling-element bearings
（3）本文构建了一个图注意力网络模型，可解决 using a new health index and variants of least-square support
图神经网络的灵活性和泛化性能不足，难以准确捕 vector machines[J]. Mechanical Systems and Signal Process-
捉节点间的关系的问题，提高了网络捕捉关键特征 ing，2021，160：107853.
[6] ZHAO B，ZHANG X M，WU Q Q，et al. A novel unsuper-
的能力以及故障诊断性能。
vised directed hierarchical graph network with clustering
（4） 和 当 前 主 流 的 GCN 等 网 络 进 行 对 比 试 验 ，
representation for intelligent fault diagnosis of machines[J].
结果表明该算法在滚动轴承故障诊断领域有较高的
Mechanical Systems and Signal Processing， 2023， 183：
准确率和泛化性能，值得应用和推广。
109615.
[7] 曹玲玲，李晶，彭镇，等. 基于改进小波阈值降噪的滚动
参考文献： 轴承故障诊断方法 [J]. 振动工程学报，2022，35（2）：454-
463.
[1] XIAO Y M，SHAO H D，WANG J，et al. Bayesian varia- CAO Lingling，LI Jing，PENG Zhen，et al. Rolling bearing
tional transformer：a generalizable model for rotating machin- fault diagnosis method based on improved wavelet threshold
ery fault diagnosis[J]. Mechanical Systems and Signal Process- denoising[J]. Journal of Vibration Engineering， 2022，
ing，2024，207：110936. 35（2）：454-463.
[2] 李可，牛园园，宿磊，等. 参数优化 VMD 的滚动轴承故障 [8] RAO M，ZUO M J，TIAN Z G. A speed normalized autoen-
诊断方法 [J]. 振动工程学报，2023，36（1）：280-287. coder for rotating machinery fault detection under varying