关键词：旋转机械;故障诊断;相对熵;图神经网络(GNN);变转速;低标签率
摘 要：在极低标签率情况下，现有的图神经网络(graph neural network, GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中，旋转机械常工作在变转速工况下，且标记故障样本代价高昂。针对上述两个问题，基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network, DGAT),提出了一种熵-图注意力网络，并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先，设计了基于JS相对熵的图构造方法，用于充分挖掘GNN中样本间的关联信息。其次，构建基于熵-动态图注意力网络的半监督学习模型，通过动态注意力机制进一步挖掘样本中故障敏感特征。最后，将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证，结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型，且性能优于其它常用的图神经网络。
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