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：
1.2图注意力网络(GAT)
论文地址：
1.3稀疏图卷积网络(SGCN)
论文地址：
1.4GIN 图同构网络
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，作者：
© 版权声明