工厂轰鸣的生产线上，旋转机械的细微异响可能暗藏故障隐患。传统故障诊断技术在嘈杂环境中常“力不从心”，而我国科研团队最新研发的智能诊断算法，通过“动态调整社交圈”和“实时更新信任度”两大创新，让机器故障识别准确率突破95%，为工业安全监测提供新方案。

工业噪声成“拦路虎”，传统AI诊断易“误诊”

旋转机械是制造业的“筋骨”，但轴承磨损、齿轮裂纹等故障可能引发生产线停机。近年来，基于图神经网络（GNN）的智能诊断技术因能挖掘数据关联关系，成为研究热点。然而，现有方法构建的“图结构”如同强制所有人交相同数量的朋友，固定邻居节点数量（k值）易引入冗余信息。在高噪声环境下，这些“无效社交”会干扰AI判断，导致诊断准确率骤降。

武汉理工大学与香港科技大学团队在《Frontiers in Mechanical Engineering》发表的研究指出，传统方法在信噪比低至-5dB时，准确率会下降15%以上。为此，他们提出“自适应调整k近邻图驱动的动态加权图注意力网络”（AAKNN-DWGAT），让AI学会“聪明交友”和“动态调整信任”。

两大创新：让AI诊断“去伪存真”

第一步：智能筛选“朋友圈”。团队设计“动态频率弯曲”（DFW）技术，将振动信号转换为频率特征后，像比较两首歌的旋律相似度一样，既看频率数值差异，又关注波形走势匹配度。随后通过二阶差分法捕捉相似度变化的“拐点”，自动为每个数据点匹配最优邻居数量——噪声大的信号少交朋友，特征清晰的信号多拓展连接，避免“无效社交”。

第二步：实时更新“信任度”。即使构建了优质“朋友圈”，噪声仍可能让“坏朋友”干扰判断。动态加权图注意力网络（DWGAT）会在训练中定期“复盘”：用高阶学习成果重新评估节点间的连接权重，逐步降低噪声节点的影响力，如同团队合作中自动调整成员贡献度，确保重要信息不被掩盖。

实验验证：两类工业场景准确率领先

在轴向流泵和齿轮箱数据集上，新方法展现出强抗噪声能力：

• 高噪声环境优势显著：当信噪比从10dB降至-5dB（接近工厂强噪声），传统方法准确率下降12.3%，而AAKNN-DWGAT仅下降4.1%；
• 复杂故障识别精准：在齿轮箱8种故障类型诊断中，样本长度1024时准确率达94.3%，较传统图注意力网络（MHGAT）提升1.1%；
• 数据不均衡场景稳健：正常样本与故障样本比例2:1时，准确率仍保持92.7%，远超1DCNN（77.1%）和多层感知机（72.3%）。

论文第一作者指出，该方法已在某重工企业的水泵监测中试用，使故障预警响应时间缩短40%。不过，自适应调整过程会增加约8%的计算耗时，未来计划通过轻量化模型优化实时性。

工业智能诊断迈入“抗噪时代”

随着工业互联网的发展，设备传感器数据呈爆炸式增长，但噪声干扰始终是“老大难”。AAKNN-DWGAT通过“特征工程-图结构-网络学习”全链条优化，为风机、高铁等关键设备装上“抗噪听诊器”。其动态加权策略还可迁移至医疗影像、气象预测等噪声敏感领域，为跨行业智能诊断提供新思路。

来源: FME机械工程前沿