关键词：拓扑感知;双视图分类器;类别不均衡;变工况;故障诊断
摘 要：针对旋转机械不同工况下数据分布不同，以及故障数据稀缺使得样本类别不均衡，导致故障诊断模型性能退化这一问题，提出一种基于拓扑感知和双视图分类器的故障诊断方法。该方法以一个图卷积网络为诊断框架，提出的非参数化拓扑感知模块能自适应更新图数据拓扑结构，约束不同域数据获取近似的消息传递路径，通过图卷积网络有效提取域一致故障特征；利用二分类器和多分类器构建双视图分类器，并计算二元输出和多元输出的相似度对训练数据进行重加权，避免了类别不均衡下模型的有偏训练以及对少数类样本识别能力不强的现象。利用公开的西安交通大学齿轮故障数据集、MAFAULDA旋转机械故障数据集及自制的滑动轴承故障模拟数据进行试验。结果表明，提出的方法能有效提升类别不均衡下变工况故障诊断的性能。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取