图小波激活网络

非平稳工况下可解释诊断

通过可学习的小波Kolmogorov-Arnold层实现图消息传递，同时利用小波注意力分解信号并聚焦低频成分，在非平稳和噪声条件下提取鲁棒故障特征。

李天福 · 孙闯 · 赵志斌 · Tao, Liu · 陈雪峰 · 严如强

IEEE Transactions on Systems, Man, and Cybernetics: Systems 2026

技术优势

非平稳下更稳

通过可学习的小波 Kolmogorov-Arnold 层捕捉鲁棒故障特征，在非平稳和噪声条件下依然有效。

看得懂特征

模型提供事后特征可视化，用户能够理解模型做出诊断的依据。

噪声下也有效

实验结果显示 GWAN 在包含噪声的条件下优于对比方法，证明其对噪声具有鲁棒性。

应用场景

• 旋转机械故障诊断：在转速波动等复杂工况下提升诊断准确性和可靠性。
• 非平稳工况监测：专门针对变工况信号设计，适应现场非平稳运行状态。
• 工业机器人状态监测：可用于关节减速器等机器人关键部件的故障早期预警。
• 智能运维：提供可解释的诊断结果，便于维护决策和状态评估。