多源融合图卷积网络

99% 诊断精度

将多传感器异构数据编码为图节点，通过图卷积实现特征级融合，大幅提升齿轮箱故障识别能力。

Siyuan, Gao · Noman, Khandaker · Mao, Gang · Deng, Zichen · 李永波 · Ge, Wenqing

IEEE Transactions on Instrumentation and Measurement 2025

参数信息

平均诊断精度

99.00 %

诊断精度（小样本）

88.87 %

诊断精度

94.00 %

技术优势

融合效果更好

利用互补融合机制，在对比的七种方法中平均诊断精度最高。

小样本下优势明显

训练样本很少时，MHIF-GCN 依然表现良好，精度达到 88.87%。

诊断性能稳定

在实验 II 中达到 94.00% 的精度，且各故障状态的召回率、精确率和 F-score 均高于 85%。

应用场景

• 旋转机械状态监测：无需为每类传感器单独建模，融合诊断可直接部署在状态监测系统上。
• 工业物联网诊断：把振动、温度等多源异构数据统一成图，适配工业物联网边缘诊断。
• 齿轮箱故障诊断：能准确识别结构与非结构故障，包括稀有小样本场景。
• 多传感器融合感知：把不同传感器的深度特征作为图节点，实现特征级融合。