动态图注意力网络DYGAT-FTNet在多传感器故障诊断中的创新研究

作者及发表信息

本研究由Chongqing University of Science and Technology的Hongjun Duan、Guorong Chen、Yuan Yu、Chonglin Du、Zhang Bao以及Xi’an Jiaotong University的Denglong Ma共同完成，以”DYGAT-FTNet: A Dynamic Graph Attention Network for Multi-Sensor Fault Diagnosis and Time–Frequency Data Fusion”为题，于2025年1月29日发表在期刊”Sensors”上，文章编号为25(3):810。

学术背景

本研究属于工业设备智能故障诊断与多传感器数据融合领域。随着现代工业系统复杂性的增加，多传感器系统被广泛应用于设备状态监测。然而，传统故障诊断方法难以有效捕捉多传感器数据中的时空依赖关系和故障敏感特征，特别是很少考虑多传感器数据间的动态特征。当前的深度学习方法多专注于单一传感器信号处理，忽视了传感器间复杂的空间和时间依赖性，导致对多源信息处理不足。

研究团队旨在解决三个关键挑战：1) 如何有效捕捉多传感器数据的时空依赖性；2) 如何动态建模传感器间的关联关系；3) 如何融合时频域特征提高故障诊断准确性。为此，他们提出了DYGAT-FTNet模型，结合动态图构建机制和时频分析技术，为多传感器故障检测提供新思路。

研究方法与流程

本研究包含五个主要研究步骤：

1. 数据采集与预处理：

• 使用两个公开数据集：XJTUSUPRGEAR数据集(齿轮箱故障，12个加速度传感器)和SEU数据集(轴承故障，8个传感器)
• 数据采样频率分别为10kHz(XJTUSUPRGEAR)和根据转速设定(SEU)
• 采用滑动窗口将信号分割为多个时间片断，每个片段通过短时傅里叶变换(STFT)转换为时频信息

1. 动态图构建(Learnable Dynamic Graph Construction, LDGC)：

• 创新性地提出了可学习动态图构建方法，使用随机初始化的嵌入向量θ和ψ表示节点的源和目标特征
• 通过点积或余弦相似度计算节点间相似性，生成初始邻接矩阵
• 设置距离阈值τ进行稀疏化处理，仅保留相似度高于阈值的连接
• 嵌入参数θ和ψ在训练过程中持续优化，使图结构能自适应任务目标

1. 动态图注意力网络(Dynamic Graph Attention Network, DYGAT)：

• 设计动态图变换(Dynamic Graph Transformation, DGT)方法，将当前时间片的图数据与前一时间片结合，建立时序关系
• 引入组线性层处理输入张量，实现多时间片信息的并行处理
• 采用注意力机制动态分配节点权重，重点关注图中更重要的时空信息
• 通过多头注意力聚合动态范式信息，增强模型对复杂序列数据的学习能力

1. 时频图池化层(Time-Frequency Graph Pooling)：

• 将节点视为通道，使用CNN提取时频数据的局部特征
• 引入可训练权重参数W与卷积核交互，自适应调整特征表示能力
• 利用图的邻接矩阵调整卷积输出，增强模型对时频依赖关系的建模能力

1. 故障分类与验证：

• 输出模块通过平均池化和全连接层计算每个类别的值
• 采用准确率(ACC)和F1分数作为评价指标
• 进行了超参数稳定性分析、消融实验和对比实验验证模型性能
• 添加高斯白噪声(-10dB至10dB)进行抗噪性能测试

主要研究结果

1. 模型性能：

• 在XJTUSUPRGEAR数据集上达到1.0000的准确率，SEU数据集上达到0.9995的准确率
• 显著优于MLP、GCN、ChebyNet、GraphSAGE等基线模型
• 对比新型模型如A-TSGNN、TODynet等也展现出性能优势

1. 消融实验结果：

• 移除动态图构建模块后，准确率降至0.9659(XJTUSUPRGEAR)和0.9457(SEU)
• 移除动态注意力机制后，准确率为0.9735和0.9877
• 移除时频图池化层后，准确率为0.9775和0.9296
• 验证了各模块对模型性能的贡献

1. 抗噪性能：

• 在较高信噪比(>0dB)环境下表现稳定
• 在极低信噪比(-10dB)条件下性能下降明显，表明在强噪声环境下需要进一步优化

1. 计算效率：

• XJTUSUPRGEAR数据集(12个传感器)训练时间7556秒，参数量444,086
• SEU数据集(8个传感器)训练时间5114秒，参数量442,684
• 显示模型对传感器数量和数据长度具有良好可扩展性

1. 特征可视化分析：

• 通过t-SNE可视化显示，DYGAT-FTNet能够将同类样本紧密聚集
• 不同故障类型在特征空间中有明显分界，解释模型的高分类精度

研究结论与价值

本研究提出的DYGAT-FTNet模型通过创新性的动态图构建机制和时频分析技术，在多传感器故障诊断领域取得显著进展。其科学价值主要体现在：

1. 提出了可学习动态图构建方法，突破了传统基于固定阈值或预定义图结构的限制，使图结构能够自适应优化，更有效地捕捉时频依赖关系。

2. 设计的动态图注意力网络融合了时空注意力机制，能够动态分配传感器节点权重，聚焦关键时空特征，提高了模型对复杂工业环境中多源异构数据的处理能力。

3. 时频图池化层的引入解决了传统图神经网络处理时频数据时的扁平化问题，通过局部特征提取和自适应权重调整，显著提升了时频信息的表征能力。

在实际应用价值方面，该模型为复杂工业设备的实时状态监测和早期故障诊断提供了高效解决方案。特别是在变工况、多故障模式并存的场景下，DYGAT-FTNet展现出比传统方法更强的适应性和鲁棒性。

研究亮点

1. 方法论创新：首次将可学习动态图构建、动态图注意力和时频图池化三个创新模块有机结合，形成完整的多传感器故障诊断框架。

2. 性能突破：在两个基准数据集上达到接近完美的分类准确率(1.0000和0.9995)，设立了新的性能标杆。

3. 动态特性：与传统静态图神经网络相比，DYGAT-FTNet能够捕捉传感器间随时间变化的动态关联，更符合工业实际场景。

4. 时频融合：有效整合时域和频域特征，克服了单一特征表示的局限性，提高了对非平稳信号的解析能力。

局限性与未来方向

作者指出模型存在三点局限性：1) 极低信噪比环境下性能下降；2) 计算复杂度较高，实时应用受限；3) 在其他行业数据集上的泛化能力尚未验证。针对这些局限，作者建议未来研究可从以下方向展开：

1. 增强模型抗噪能力，如结合去噪自编码器或开发新型噪声抑制模块

2. 优化传感器选择策略，减少冗余传感器对计算效率的影响

3. 验证模型在不同工业场景(如电力、石化、航空航天)中的泛化性能

4. 探索模型在边缘计算设备上的部署方案，提升实时监测能力

这项研究为多传感器系统的智能故障诊断提供了新思路和方法工具，对推动工业设备预测性维护技术的发展具有重要意义。