工廠轟鳴的生產線上，旋轉機械的細微異響可能暗藏故障隱患。傳統故障診斷技術在嘈雜環境中常“力不從心”，而我國科研團隊最新研發的智能診斷算法，通過“動態調整社交圈”和“實時更新信任度”兩大創新，讓機器故障識別準確率突破95%，為工業安全監測提供新方案。

工業噪聲成“攔路虎”，傳統AI診斷易“誤診”

旋轉機械是制造業的“筋骨”，但軸承磨損、齒輪裂紋等故障可能引發生產線停機。近年來，基于圖神經網絡（GNN）的智能診斷技術因能挖掘數據關聯關系，成為研究熱點。然而，現有方法構建的“圖結構”如同強制所有人交相同數量的朋友，固定鄰居節點數量（k值）易引入冗余信息。在高噪聲環境下，這些“無效社交”會干擾AI判斷，導致診斷準確率驟降。

武漢理工大學與香港科技大學團隊在《Frontiers in Mechanical Engineering》發表的研究指出，傳統方法在信噪比低至-5dB時，準確率會下降15%以上。為此，他們提出“自適應調整k近鄰圖驅動的動態加權圖注意力網絡”（AAKNN-DWGAT），讓AI學會“聰明交友”和“動態調整信任”。

兩大創新：讓AI診斷“去偽存真”

第一步：智能篩選“朋友圈”。團隊設計“動態頻率彎曲”（DFW）技術，將振動信號轉換為頻率特征后，像比較兩首歌的旋律相似度一樣，既看頻率數值差異，又關注波形走勢匹配度。隨后通過二階差分法捕捉相似度變化的“拐點”，自動為每個數據點匹配最優鄰居數量——噪聲大的信號少交朋友，特征清晰的信號多拓展連接，避免“無效社交”。

第二步：實時更新“信任度”。即使構建了優質“朋友圈”，噪聲仍可能讓“壞朋友”干擾判斷。動態加權圖注意力網絡（DWGAT）會在訓練中定期“復盤”：用高階學習成果重新評估節點間的連接權重，逐步降低噪聲節點的影響力，如同團隊合作中自動調整成員貢獻度，確保重要信息不被掩蓋。

實驗驗證：兩類工業場景準確率領先

在軸向流泵和齒輪箱數據集上，新方法展現出強抗噪聲能力：

  • 高噪聲環境優勢顯著：當信噪比從10dB降至-5dB（接近工廠強噪聲），傳統方法準確率下降12.3%，而AAKNN-DWGAT僅下降4.1%；
  • 復雜故障識別精準：在齒輪箱8種故障類型診斷中，樣本長度1024時準確率達94.3%，較傳統圖注意力網絡（MHGAT）提升1.1%；
  • 數據不均衡場景穩健：正常樣本與故障樣本比例2:1時，準確率仍保持92.7%，遠超1DCNN（77.1%）和多層感知機（72.3%）。

論文第一作者指出，該方法已在某重工企業的水泵監測中試用，使故障預警響應時間縮短40%。不過，自適應調整過程會增加約8%的計算耗時，未來計劃通過輕量化模型優化實時性。

工業智能診斷邁入“抗噪時代”

隨著工業互聯網的發展，設備傳感器數據呈爆炸式增長，但噪聲干擾始終是“老大難”。AAKNN-DWGAT通過“特征工程-圖結構-網絡學習”全鏈條優化，為風機、高鐵等關鍵設備裝上“抗噪聽診器”。其動態加權策略還可遷移至醫療影像、氣象預測等噪聲敏感領域，為跨行業智能診斷提供新思路。

來源: FME機械工程前沿