机床与液压

作者：马奔驰，章翔峰

单位：新疆大学智能制造现代产业学院；新疆大学智能制造现代产业学院

关键词：故障诊断;齿轮箱;极低标记比;半监督学习;节点级路径图;鲁棒图卷积网络

基金：国家自然科学基金项目（52265016）

针对齿轮箱状态监测数据中标记样本有限、标签信息挖掘不足以及节点信息缺乏等问题，提出一种基于节点级路径图和鲁棒图卷积网络(NLP-RGCN)的半监督故障诊断方法。通过构建无向节点级路径图，灵活表示节点间的连接关系，细化信号特征，从而充分利用有限的标记样本信息。引入鲁棒图卷积网络（RGCN），通过吸收高斯分布方差的图结构和节点属性的微小故意扰动变化，增强模型的鲁棒性和特征提取能力。此外，设计基于半监督学习的故障诊断框架，利用有限的标记样本挖掘未标记样本所包含的信息，增强模型的泛化能力。最后，在0.5%极低标记比的齿轮箱数据集诊断案例上验证了所提方法的有效性和优越性。实验结果表明：NLP-RGCN的平均诊断准确率达99.85%，显著优于其他对比方法（如MLP、GAT、GCN、SGCN、LPS-DGAT等）；通过混淆矩阵和t-SNE可视化技术，进一步验证了NLP-RGCN在不同健康状态下的特征区分能力。该方法能够有效学习故障特征表示，并在极低标记样本下实现高精度的故障诊断。

来源：2025年第10期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第10期