【机情无限 精彩毕设】机械2026届毕业设计（论文）中期检查优秀案例分享第十六期——基于多传感器融合图神经网络的转子系统裂纹故障诊断

学生姓名：王周羽

班    级：能动2022-01班

指导教师：华春蓉

毕设题目：基于多传感器融合图神经网络的转子系统裂纹故障诊断

一、概况

1.选题意义

转子系统为重大装备的核心部件，其运行安全性直接影响装备的整体可靠性。在交变载荷作用下转子易产生疲劳裂纹，早期裂纹的微弱非线性特征易被噪声淹没，导致故障诊断面临巨大挑战。传统单传感器监测或CNN多传感器数据拼接方法挖掘深层特征的能力有限，难以满足工程需求。为此，本毕业设计提出一种基于图注意力网络(GAT)的多传感器融合故障诊断模型，通过构建表征传感器空间分布的物理关联拓扑结构，自适应评估各测点特征的敏感性，以有效增强模型的多维信息融合与抗干扰能力，论文工作可为转子系统早期裂纹诊断提供基础。

2.任务分解

（1）多传感器振动数据采集与仿真建模：基于建立的裂纹转子有限元模型，模拟不同裂纹参数下的转子系统垂向振动信号。

（2）信号预处理与特征提取：采用变分模态分解（VMD）算法对原始振动信号进行自适应降噪，通过滑动窗口重叠采样扩充训练样本，构建13维时频域敏感特征数据集。

（3）图结构构建与GAT模型搭建：以5个传感器测点构建图节点，基于物理距离与数据相关性构建双驱混合邻接矩阵，搭建多任务GAT网络，通过设计联合损失函数并采用Adam优化器实现早期转子裂纹故障诊断。

（4）模型验证与对比实验：开展GAT与CNN、SVM等基线模型对比，设计消融实验验证图结构融合机制有效性，量化诊断精度与抗噪性能。

（5）论文撰写与成果整理：整合机理分析、实验数据、模型设计与验证结果，按规范撰写学位论文，完善图表并制作答辩PPT。

3.预期成果

（1）一套基于GAT的多传感器融合转子裂纹故障诊断模型及完整代码。

（2）转子裂纹振动数据集、特征关联分析矩阵及模型性能测试报告。

（3）验证GAT模型在多传感器空间关联融合及早期裂纹识别中的优越性，为转子系统裂纹故障诊断提供新方法与实践案例。

二、已完成工作

1.完成裂纹转子动力学响应分析与GAT原理学习，明确研究核心与技术路线。

图1 CNN简单拼接与GNN动态拓扑结构融合对比

图2 文献翻译

2.基于裂纹转子动力学模型，完成不同工况下垂向振动位移响应仿真。

3.采用VMD算法实现强噪声背景下信号自适应降噪，提取早期裂纹特征；通过滑动窗口重叠采样扩充样本并完成数据集划分与标准化。

图3 滑动窗口重叠采样示意图

图4 VMD自适应降噪效果对比波形图

4.构建了13维多域敏感特征数据集。在时域上提取了峭度、裕度因子等8个统计指标，以捕捉裂纹闭合产生的瞬态冲击特征；在频域上提取基频、及高倍频（2X、3X）幅值等5个能量特征,表征由裂纹呼吸效应导致的周期性时变刚度。

图5 裂纹故障特征演化图

5.基于融合传感器几何距离物理先验与皮尔逊相关系数的数据驱动信息，构建双驱混合邻接矩阵；基于PyTorch完成数据清洗与图数据封装；搭建多任务GAT网络，采用2层多头图注意力层实现深度特征提取，设计“分类+回归”双分支输出结构与联合损失函数，采用Adam优化器完成模型训练。

图6 双驱邻接矩阵热力图

图7 GAT联合损失函数

三、下一步工作计划

1.完成GAT网络裂纹深度回归预测，以准确率、Macro-F1等指标量化不同裂纹演化阶段的识别精度。

2.开展消融实验与横向对比实验，将GAT与CNN、SVM等方法对比，验证多传感器图结构融合在抗噪与微弱故障特征提取方面的优势。

3.按学校学术规范完成学位论文撰写、图表绘制、逻辑校对与重复率检测；提炼创新点，完成答辩PPT制作，为答辩做好准备。

问题一：本研究数据均来源于有限元仿真，未采用真实转子实验台实测数据。若将所提方法应用于实际工程场景，如何看待仿真工况与真实工况的差异？后续是否计划采用实际数据开展验证工作？

回答：本研究现阶段采用有限元仿真数据，未使用实验台实测数据。主要原因在于深度学习模型对样本数量与多样性要求较高，实测裂纹故障数据获取成本高、工况覆盖有限。为提升工程适用性，研究中通过VMD自适应降噪处理模拟实际噪声干扰，增强模型对复杂工况的适应能力。后续可依托实验平台开展实测数据验证，进一步完善方法的实用性。

问题二：本研究内容涵盖有限元建模、信号处理、图神经网络搭建等多个研究方向，研究任务较为繁重。所有研究工作是否均由本人独立完成？本人在研究中的主要贡献是什么？

回答：本研究的顺利完成离不开课题组师兄和指导老师的帮助。

研究过程中得到指导教师与课题组的指导与支持。有限元建模与调试在课题组师兄指导下完成；GAT模型选型、网络搭建、损失函数设计、训练策略与参数调优由本人独立完成；本研究的核心创新点——“双驱混合邻接矩阵”，是在开题答辩时老师的提问启发下由本人提出并验证可行的。

本课题围绕“基于多传感器融合图神经网络的转子系统裂纹故障诊断”，完成了从理论建模、数据仿真、特征提取到模型构建与验证的完整科研训练。通过建立裂纹转子有限元模型，明确裂纹“呼吸效应”的非线性作用及倍频特征，认识到物理先验与深度学习结合对提升模型性能的重要性；掌握VMD降噪、滑动窗口采样等技术，构建多域敏感特征体系，明晰数据质量对模型性能的决定性作用；从零学习图神经网络，独立完成GAT模型搭建与调优，通过双驱混合邻接矩阵的设计，深刻理解科研创新内涵。受实验条件限制，研究基于仿真数据，期间探索提升模型工程适应性的方法，在团队协作与个人钻研中，锻炼问题解决能力，培养严谨的科研态度与学习热情。感谢指导老师与师兄的帮助，后续将继续深入相关领域研究，贡献自身力量。