算法特点
将旋转机械系统建模为图结构，传感器作为节点，物理连接作为边，通过图神经网络显式建模传感器间的物理相互作用
采用混合负载训练策略，在训练时融合多种工况数据，使模型学习负载不变特征，显著提升对未知工况的适应能力
设计LSTM+GAT的时空双流架构，LSTM捕获时间演化模式，GAT建模空间关联关系，实现时空特征联合优化
算法步骤
信号预处理
原始振动信号分窗（1024点窗口，50%重叠）
混合负载数据标准化（0,1,2 HP训练，3 HP测试）
特征自动提取
时域特征：均值、RMS、偏度、峰度等6维统计量
频域特征：FFT能量谱5个频带均值
形成11维融合特征向量
图结构构建
节点：DE和FE两个物理传感器
边：传感器间的物理连接（可通过相关性加权重）
节点特征：11维特征向量
时空联合学习
LSTM层：学习每个传感器信号的时间演化模式
GAT层：通过注意力机制融合双传感器信息，建模物理耦合
故障分类决策
全局池化获得图级表示
全连接层输出4类故障概率
交叉熵损失优化端到端
# 时空图神经网络融合模型 class FusionGraphNet(torch.nn.Module): """时空图神经网络融合模型 - 核心创新架构""" def __init__(self, num_nodes, feature_dim, rnn_hidden, gnn_hidden, num_classes, dropout_rate, heads=2): super(FusionGraphNet, self).__init__() self.num_nodes = num_nodes # 传感器节点数（DE和FE两个） self.feature_dim = feature_dim # 输入特征维度（11维特征） self.rnn_hidden = rnn_hidden # LSTM隐藏层大小 self.gnn_heads = heads # 图注意力头数 self.gnn_out_dim = gnn_hidden * self.gnn_heads # 1. 输入归一化层 - 稳定特征分布 self.input_bn = BatchNorm1d(num_nodes) # 2. 时域特征提取模块（LSTM） - 捕获时间依赖性 self.temporal_extractor = LSTM( input_size=self.feature_dim, hidden_size=rnn_hidden, num_layers=1, batch_first=True ) self.temporal_dropout = Dropout(dropout_rate) # 3. 空域特征融合模块（GAT） - 物理关系建模 # 关键创新：使用图注意力机制显式建模传感器间的物理连接 self.spatial_fusion = GATConv( in_channels=rnn_hidden, out_channels=gnn_hidden, heads=self.gnn_heads, concat=True, edge_dim=1 # 支持边权重输入 ) self.spatial_bn = BatchNorm1d(self.gnn_out_dim) self.spatial_dropout = Dropout(dropout_rate) # 4. 分类器 - 故障类型识别 self.classifier = Linear(self.gnn_out_dim, num_classes) def forward(self, data): """前向传播过程：时空特征联合学习""" # 提取图数据要素 x, edge_index, batch, edge_weight = data.x, data.edge_index, data.batch, data.edge_weight batch_size = data.num_graphs # 阶段1：输入特征归一化 x_reshaped = x.view(batch_size, self.num_nodes, self.feature_dim) x_norm = self.input_bn(x_reshaped) # 阶段2：时域特征学习（每个传感器独立） x_norm_flat = x_norm.view(-1, self.feature_dim) x_temporal = x_norm_flat.unsqueeze(1) # 增加序列维度 _, (h_n, _) = self.temporal_extractor(x_temporal) x_spatial_input = h_n.squeeze(0) x_spatial_input = self.temporal_dropout(x_spatial_input) # 阶段3：空域特征融合（传感器间交互） # 关键创新点：利用图注意力机制融合双传感器信息 x_spatial = self.spatial_fusion(x_spatial_input, edge_index, edge_attr=edge_weight) x_spatial = self.spatial_bn(x_spatial) x_spatial = F.relu(x_spatial) x_spatial = self.spatial_dropout(x_spatial) # 阶段4：图级特征池化与分类 x_graph = global_mean_pool(x_spatial, batch) out = self.classifier(x_graph) return F.log_softmax(out, dim=1) # 输出故障概率分布
参考文章：
FusionGraphNet-Pro：基于时空图神经网络的工业设备故障诊断（Python） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/2000833977028739150
工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任
《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
)
)
