基于k-NN + GCN的轴承故障诊断模型

在应用图卷积网络(Graph Convolutional Networks, GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们创造性的提出一种基于K-NN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN网络模型进行诊断识别，取得了一定精度的分类效果。（该方法还未发表论文，创新度高，可以拿来直接进行拓展应用）

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行

● 准确率：测试集94%

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

创新点：

创新一：利用K-NN创建故障信号图结构

1. 轴承信号是一维序列，我们可以通过构建图结构来捕捉序列之间的相对位置关系。使用k近邻方法来建立节点之间的边连接关系。对于每个节点，找到其最近的k个邻居节点，并将它们与该节点连接起来。这样可以形成轴承信号的图结构，其中每个节点对应一个数据点，边表示节点之间的连接关系；

创新二：利用GCN网络进行故障诊断

处理图结构数据：经过预处理的轴承信号可以被视为一个复杂的图结构，其中节点代表不同的序列位置，边代表它们之间的关联。GCN网络是专门设计用于处理图结构数据的深度学习模型，能够充分利用节点和边的拓扑结构信息，有助于挖掘故障信号中的复杂关联和模式。

捕捉局部和全局信息：GCN网络通过多层图卷积层的堆叠，可以逐步聚合节点的局部邻居信息，并最终得到包含全局信息的节点表示。在轴承故障领域，这种能力使得GCN网络能够同时捕捉局部振动特征和整体系统状态，从而提高故障诊断和预测的准确性。

自动学习特征表示：GCN网络可以自动学习节点的特征表示，无需手动设计特征工程。在轴承故障领域，这意味着GCN网络可以从原始振动数据中提取关键特征，识别故障模式。

前言

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现K-NN+GCN模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集-CSDN博客

1 轴承故障数据的预处理

1.1 导入数据

参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：

train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据

上图是数据的读取形式以及预处理思路

1.2 数据预处理，制作数据集

2 基于Pytorch的GCN轴承故障诊断

2.1 定义GCN分类网络模型

2.2 设置参数，训练模型

50个epoch，准确率94%，用GCN网络分类效果显著，模型能够充分提取轴承故障信号的全局空间和局部特征，收敛速度快，性能优越，精度高，效果明显!

2.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

python 复制代码

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/ZpaTm5lx