图/表详细信息

基于联邦图网络的转子系统故障诊断方法

李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波

航空学报 2024, 45 (17): 530611-530611. DOI: 10.7527/S1000-6893.2024.30611

摘要（799）

HTML （11）

PDF（pc）（3984KB）（444）

转子系统运行环境恶劣、多源监测数据融合困难且易产生数据孤岛现象，对转子系统健康监测带来巨大挑战。本文提出了基于遗传进化构图的联邦图卷积神经网络（FGCN）转子系统故障诊断方法。首先，利用联邦学习和图神经网络，构建联邦图网络框架，通过在每个本地客户端上进行局部模型训练，并通过联邦加权平均算法聚合这些局部模型得到全局模型，这种数据不动、模型动的方式，不仅实现了数据的本地化处理，还确保了模型参数的安全与隐私；此外，为了解决多源传感器数据融合自适应差的问题，提出了遗传进化构图方法，该方法通过模拟生物进化过程中的自然选择和遗传变异机制，在训练过程中自动调整图结构节点之间的连接关系和权重；极大地提高了多源传感器构图的自适应性和灵活性，进而提升故障诊断的准确性。最后，通过在转子故障实验台数据集上进行验证，实验结果表明，所提出的方法能够更充分利用多传感器监测数据，在客户端包含故障种类数量不同的诊断场景中达到了95%以上的故障诊断准确率。

方法	多传感器集中式训练准确率/%	多传感器联邦训练准确率/%	单传感器集中式训练准确率/%	单传感器联邦训练准确率/%
遗传进化构图	96.85	95.56	90.93	87.59
KNN构图	91.48	89.26	85.56	83.70
余弦相似度构图	92.37	92.22	88.15	87.04
有向路径构图	76.11	74.81	87.59	86.30

View table in article

表 5 不同联邦学习方法的诊断准确率

正文中引用本图/表的段落

表5总结了不同方法对转子系统故障测试集的诊断准确率，同时，为了更加直观的比较，图7显示了不同方法测试集准确性的柱状图，可以观察到如下：

本文的其它图/表