
-
生物通官微
陪你抓住生命科技
跳动的脉搏
StatGraph-Net:一种用于铣床复合故障诊断的多通道统计图框架
《JOURNAL OF INTELLIGENT MANUFACTURING》:StatGraph-Net: a multichannel statistical-graph framework for compound fault diagnosis in milling machines
【字体: 大 中 小 】 时间:2026年10月02日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7
编辑推荐:
摘要本文提出了一种名为StatGraph-Net的统计引导型多通道诊断框架,用于铣床的智能复合故障诊断。所提出的框架融合了β散度层次交替最小二乘非负矩阵分解(β-HALS NMF)、基于Kolmogorov–Smirnov(KS)检验的组件对齐、跨可见性图(CVG)表示和图卷
本文提出了一种名为StatGraph-Net的统计引导型多通道诊断框架,用于铣床的智能复合故障诊断。所提出的框架融合了β散度层次交替最小二乘非负矩阵分解(β-HALS NMF)、基于Kolmogorov–Smirnov(KS)检验的组件对齐、跨可见性图(CVG)表示和图卷积学习,以解决同时发生的轴承、齿轮和刀具缺陷所产生重叠故障特征信号分离与融合的挑战。首先,采用β-HALS NMF将双通道振动信号分解为与故障相关的潜在分量。随后,引入基于KS检验的假设驱动型统计融合策略,以识别传感器之间的同源分量,实现无需启发式匹配即可进行客观的多传感器信息融合。统计对齐后的分量通过Griffin-Lim算法重建为故障增强信号,以保留复合故障的冲击特征。重建后的信号被转换为CVG,在统一的图结构中同时捕获时域故障动态和传感器间关系。最后,利用图卷积网络直接从构建的图中学习判别性故障模式,用于复合故障分类。实验验证采用铣床在多种转速和四种健康状态(正常、轴承与齿轮故障、轴承与刀具故障、齿轮与刀具故障)下采集的双通道振动信号进行。所提出的StatGraph-Net在所有评估方法中始终优于最先进的诊断方法,并取得了最高的分类性能。
本文提出了一种名为StatGraph-Net的统计引导型多通道诊断框架,用于铣床的智能复合故障诊断。所提出的框架融合了β散度层次交替最小二乘非负矩阵分解(β-HALS NMF)、基于Kolmogorov–Smirnov(KS)检验的组件对齐、跨可见性图(CVG)表示和图卷积学习,以解决同时发生的轴承、齿轮和刀具缺陷所产生重叠故障特征信号分离与融合的挑战。首先,采用β-HALS NMF将双通道振动信号分解为与故障相关的潜在分量。随后,引入基于KS检验的假设驱动型统计融合策略,以识别传感器之间的同源分量,实现无需启发式匹配即可进行客观的多传感器信息融合。统计对齐后的分量通过Griffin-Lim算法重建为故障增强信号,以保留复合故障的冲击特征。重建后的信号被转换为CVG,在统一的图结构中同时捕获时域故障动态和传感器间关系。最后,利用图卷积网络直接从构建的图中学习判别性故障模式,用于复合故障分类。实验验证采用铣床在多种转速和四种健康状态(正常、轴承与齿轮故障、轴承与刀具故障、齿轮与刀具故障)下采集的双通道振动信号进行。所提出的StatGraph-Net在所有评估方法中始终优于最先进的诊断方法,并取得了最高的分类性能。