当工业生产线上的发动机、齿轮箱发出异常声响时，如何快速判断故障类型？传统检测方法往往在嘈杂环境中“失灵”，而我国学者最新提出的智能诊断技术，让机器故障识别准确率突破95%，为工业安全装上“智慧听诊器”。

机械故障诊断：从“盲人摸象”到“智能解码”

旋转机械是工业生产的“心脏”，但轴承磨损、齿轮断裂等故障可能导致停机甚至事故。传统智能诊断方法依赖人工提取特征，如同“盲人摸象”般难以全面捕捉机械运行状态。近年来，图神经网络（GNN）凭借挖掘数据关联的优势成为研究热点，但其性能高度依赖“图结构”的构建质量——固定邻居数量的传统方法易引入冗余信息，尤其在高噪声环境下，诊断 accuracy 会大幅下降。

针对这一难题，武汉理工大学与香港科技大学团队提出“自适应调整k近邻图驱动的动态加权图注意力网络”（AAKNN-DWGAT）。该方法近日发表于《Frontiers in Mechanical Engineering》，通过两项核心创新破解噪声干扰难题。

双重创新：让AI学会“动态社交”与“权重更新”

第一步：构建“会交朋友”的关系网。传统方法用固定k值寻找相似数据点，如同强制每个人交相同数量的朋友。新方法则通过“动态频率弯曲”（DFW）技术，先将振动信号转换为频率特征，再计算样本间的“旋律相似度”——不仅看频率数值差异，还关注波形走势的匹配度，就像比较两首歌的节奏是否合拍。随后，通过二阶差分法识别相似度变化的“拐点”，自动为每个数据点匹配合适数量的邻居，避免冗余连接。

第二步：动态调整“朋友圈权重”。即使构建了优质关系网，噪声仍可能让“坏朋友”干扰判断。研究团队设计的动态加权图注意力网络（DWGAT），会在模型训练中定期根据学习成果更新连接权重，如同团队合作中自动调整成员贡献度，逐步削弱噪声节点的影响。

实验验证：嘈杂环境下准确率领先同类技术

在轴向流泵和齿轮箱两个数据集上，新方法展现出显著优势：

• 抗噪声能力突出：当信号信噪比低至-5dB（接近工厂强噪声环境），其诊断准确率仍比传统k近邻图方法高出3%~5%；
• 诊断精度领先：在齿轮箱故障检测中，样本长度为1024时准确率达94.3%，远超1DCNN（77.1%）和传统GAT（93.2%）；
• 数据适应性强：面对故障样本不均衡场景（正常样本与故障样本比例2:1），准确率下降幅度仅为传统方法的一半。

论文通讯作者表示，该方法通过“特征工程-图结构-网络学习”的全链条优化，为工业设备健康监测提供了新范式。不过，自适应调整过程会增加约5%的计算时间，未来需在实时性优化上进一步突破。

工业智能化再添“利器”

随着工业4.0推进，旋转机械故障诊断正从“被动维修”转向“主动预警”。此次提出的AAKNN-DWGAT方法，不仅为风机、高铁等关键设备装上“智能听诊器”，其动态加权和自适应图构建思路，还为自动驾驶、医疗影像等噪声敏感领域提供了借鉴。

来源: FME机械工程前沿