一种用于机电设备半监督故障诊断的最大差异自适应图神经网络

《ADVANCED ENGINEERING INFORMATICS》：A maximum discrepancy adaptive graph neural network for semi-supervised fault diagnosis of electromechanical equipment

针对电磁设备故障诊断中存在的标注数据稀缺和噪声干扰问题，本文提出最大离散自适应图神经网络MDA-GNN。通过构建基于最大离散原理的图结构MDG，在图卷积过程中仅从最不相似邻居提取特征差异，有效抑制噪声干扰并增强类别可分性。结合自适应多分辨率特征提取与融合机制，MDA-GNN在噪声严重和标注不足条件下显著优于传统GNN和半监督方法。

　　
在工业设备故障诊断领域，深度学习模型面临两大核心挑战：一是标注数据稀缺导致模型难以充分学习；二是实际工况中噪声干扰会掩盖设备故障特征。针对这两大问题，研究者提出基于最大差异图的自适应图神经网络（MDA-GNN），通过重构图结构连接和优化多尺度特征融合机制，显著提升了复杂工业环境下的故障诊断性能。

传统图神经网络存在三个结构性缺陷：首先，基于近邻图（KNN）的图构造方法过度依赖几何相似性，在噪声环境下容易形成错误连接；其次，标准图卷积层仅能捕获一阶邻域信息，导致模型对深层多跳关联的捕捉能力不足；最后，静态权重矩阵无法动态调整节点间的交互强度。这些缺陷在有限标注数据和强噪声干扰场景下尤为明显。

MDA-GNN的核心创新体现在两方面：其一是构建最大差异图（MDG），通过计算节点间最大化特征差异的邻域关系，有效抑制同质化特征交互。实验表明，在CWRU轴承数据集中，MDG相较于传统KNN邻接矩阵可将跨类特征区分度提升23.6%。其二是设计自适应多尺度卷积架构，采用动态调整的阶梯式窗口策略，在保留时序特征完整性的同时，逐步增强对深层多跳关联的建模能力。这种分层处理机制使得模型在仅含5%标注数据时仍能保持85%以上的故障识别准确率。

在特征提取层面，MDA-GNN创新性地引入多通道并行处理机制。每个通道独立构建MDG，通过差异化邻域选择策略，分别提取高频细节特征和低频整体特征。具体实现中，系统采用动态阈值算法确定每个通道的邻域规模，确保在噪声环境下仍能保留有效特征。这种多尺度并行处理方式突破了传统GNN单通道架构的局限性，在SQ轴承数据集上的对比实验显示，特征融合后模型对微小缺陷的识别灵敏度提高41.2%。

针对传统图神经网络在噪声环境中的脆弱性，MDA-GNN设计了差分聚合机制。在卷积过程中，每个节点仅与预设数量的最大差异邻居进行特征减法运算，这种反向迁移策略能有效消除噪声干扰。实验数据显示，当环境噪声信噪比降至-5dB时，MDA-GNN的故障识别准确率仍保持在92.3%，显著优于基于相似性加权的传统方法（78.6%）。

模型架构的另一个突破在于动态调整的卷积核参数化策略。通过在图卷积层嵌入可学习的特征权重矩阵，系统能够自适应地调整不同尺度特征的重要性。在CWRU数据集的对比实验中，这种参数化机制使模型在仅20%标注数据下的表现相当于传统方法使用50%标注数据的性能水平。

实验验证部分采用了工业领域最具代表性的两个公开数据集：Case Western Reserve University（CWRU）轴承故障数据库和西安交通大学多转速Spectra Quest（SQ）轴承数据库。测试方案覆盖了从10%到100%不同标注比例的场景，并引入三种典型噪声类型（高斯噪声、脉冲噪声、混叠噪声）。结果显示，MDA-GNN在所有测试条件下均优于现有最先进方法，尤其在标注数据不足15%时优势更为显著（平均准确率提升31.8%）。

消融实验进一步揭示了各模块的贡献度：MDG结构改进使跨类特征区分度提升18.4%，多尺度特征融合机制贡献了23.7%的性能增益，动态卷积核参数化则提供了19.1%的优化空间。值得注意的是，当最大差异邻居数量超过节点总数15%时，模型性能反而下降，这验证了所提邻域选择策略的有效边界。

实际工业应用场景测试表明，MDA-GNN在持续振动干扰（>40dB）环境下仍能保持93.5%的故障识别准确率，较传统方法提升27个百分点。在数据标注成本方面，实验证明该模型可在单台设备单次故障检测中减少83%的标注需求，这对制造业大规模设备监测具有重要实用价值。

该研究对工业诊断领域的影响体现在三个方面：首先，建立差异导向的图结构范式，为噪声敏感场景提供新的建模思路；其次，提出的多尺度动态融合机制突破了传统GNN的深度依赖瓶颈；最后，在资源受限条件下验证了模型的可扩展性，为工业设备智能化监测提供了可复用的技术框架。

未来研究可着重三个方向：一是开发轻量化推理版本以适应工业边缘计算设备；二是构建跨设备迁移学习的特征表征体系；三是将该方法延伸至非结构化数据（如红外热成像、声纹信号）的故障诊断场景。这些延伸方向将为工业4.0时代的设备健康监测提供更全面的技术支撑。