A semi-supervised fault diagnosis method based on dynamic decay learning strategy and hypergraph attention network

科学家开发出基于动态衰减学习策略与超图注意力网络的半监督故障诊断方法

郑州轻工业大学Hongchao Wang团队开发出基于动态衰减学习策略与超图注意力网络的半监督故障诊断方法。相关论文于2026年5月发表在国际学术期刊《机械工程进展》上。

针对自主式水下航行器（AUV）推进器故障诊断困难的问题，研究人员提出了一种基于动态衰减学习策略与超图注意力网络（HGAN）的半监督AUV故障诊断方法。

首先，研究人员在超图卷积网络（HGCN）中引入注意力机制，构建超图注意力网络（HGAN）。随后，研究人员将HGAN与图卷积网络（GCN）设计为并行架构，以同时捕获输入图信号的动态特征与静态特征。最后，研究人员引入动态衰减学习策略，以提高所提出模型的训练效率。

研究人员通过实验分析验证了该方法的诊断精度。此外，通过对比研究进一步证明了该方法相较于其他相关方法的优越性。

Advances in Mechanical Engineering

本刊是本经过同行评审的开放获取期刊。面向机械工程各个领域出版原创论文以及综述文章，欢迎来自基础及应用领域的原创研究并鼓励具有新颖和创新见解的投稿。

期刊优势

影响因子：2.0

期刊分区：JCR Q3, ENGINEERING, MECHANICAL; THERMODYNAMICS

期刊网址: 

https://sage.cnpereading.com/home/ADE?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

往期研究:

https://sage.cnpereading.com/search//openoa/adea?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

投稿网址:

https://mc.manuscriptcentral.com/aime?utm_source=wechat&utm_medium=china_social&utm_campaign=sciencenet_ade_260116

支持单位：