一起聊聊图卷积故障诊断，新增GAT、SGCN、GIN分类模型

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。

1.相关网络介绍

1.1 图卷积神经网络(GCN)

论文地址：​​https://arxiv.org/abs/1609.02907​​

1.2 图注意力网络(GAT)

论文地址：​​https://arxiv.org/abs/1710.10903​​

1.3 稀疏图卷积网络(SGCN)

论文地址：​​​https://arxiv.org/abs/2104.01528​​​

1.4 GIN 图同构网络 

论文地址：​​​https://arxiv.org/abs/1810.00826​​​

2 轴承故障数据的预处理

2.1 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

2.2 数据预处理，制作数据集

3 基于Pytorch的GCN轴承故障诊断

3.1 定义GCN分类网络模型

3.2 设置参数，训练模型

50个epoch，准确率95%，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!

3.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

本文转载自 ​​建模先锋​​，作者： 小蜗爱建模