高引论文——《多传感器多头图注意力网络赋能大型旋转机械故障诊断》

国际知名期刊《Engineering Applications of Artificial Intelligence》（JCR Q1，IF：8.0）发表了华中科技大学机械科学与工程学院AMI团队的研究成果，题为“Graph features dynamic fusion learning driven by multi-head attention for large rotating machinery fault diagnosis with multi-sensor data（基于多头注意力驱动的图特征动态融合学习用于多传感器数据的大型旋转机械故障诊断）”。张鑫博士是第一作者，胡友民教授是通讯作者，该研究提出了一种多传感器多头图注意力网络（MMHGAT）模型，为大型旋转机械的故障诊断提供了高效解决方案。截至此公众号文章发布，该文共计被引64次。

图1 文章发表页

旋转机械在现代工业生产中占据重要地位，但其常处于极端工况，易发生多种故障。对于泵、航空发动机等大型旋转机械，仅依靠单一传感器信号进行多部件故障诊断并不现实，因此需安装多个传感器监测其运行状态。如何有效利用多传感器采集的信号，成为大型旋转机械故障诊断的研究重点与难点。

近年来，基于图神经网络（GNN）的旋转机械故障诊断研究取得了一些令人满意的成果。但其中大多数研究基于单传感器信号分析，无法捕捉全面的故障信息，对于大型旋转机械而言尤其如此。少数利用图神经网络进行多传感器故障诊断的研究仅在输入图构建阶段融合多源特征，且融合效果在很大程度上依赖于人工特征选择。图注意力网络（GAT）作为一种新兴的图神经网络，能够基于自注意力机制为顶点赋予可训练的权重，从而提高特征学习的有效性。然而，它尚未应用于多传感器故障诊断领域。

为填补这一空白并利用图注意力网络的优势，本文提出了一种用于大型旋转机械故障诊断的多传感器多头图注意力网络（MMHGAT）模型。该模型以多个子图作为输入，由两个图注意力层（GAL）、一个特征融合过程和一个Softmax分类器构成，能够在训练过程中动态融合并挖掘高层故障特征。通过在轴流泵上进行实验，验证了所提方法的有效性和优越性。

图2一个典型的多头部图注意力网络（MHGAT）结构，由两个图注意力层（GAL）组成

图3注意力系数的计算过程

图4多个传感器的子图构建过程

图5多传感器多头图注意力网络（MMHGAT）的结构

图6动态融合过程

图7所提出的故障诊断方法的流程

图8轴流泵的测试平台

图9振动传感器的安装位置。（a）电机 x 方向；（b）电机 y 方向；（c）轴承壳

图10轴流泵的五种故障类型。（a）基座松动；（b）转子不平衡；（c）转子不对中；（d）叶轮缠绕；（e）叶片裂纹

图11模型训练的趋势

图12测试集上的故障识别结果

图13K值对模型准确率和耗时的影响

图14动态边更新周期对模型准确率和耗时的影响

图15动态边与原始边的比较结果

图16不同信号源的比较结果

图17不同多传感器故障诊断方法的比较结果

图18测试平台及传感器布局

图19使用不同信号源的诊断结果比较

结论：本研究提出了一种基于MMHGAT的多传感器融合故障诊断方法。将多个传感器的原始信号转换为多个子图，输入到设计的MMHGAT模型中，模型对第一个图注意力层输出的高层特征表示进行融合生成动态融合图，其边连接在模型训练中可定期动态调整，最后利用第二个图注意力层的输出特征通过Softmax分类器对故障类型进行分类。轴流泵实验验证了所提多传感器故障诊断方法的有效性和优越性。

论文下载链接：https://doi.org/10.1016/j.engappai.2023.106601