技術特征：

1.一種利用mrs-gnn模型處理軸承故障樣本數(shù)據(jù)不平衡的方法，其特征在于，包括如下步驟，

2.根據(jù)權利要求1所述的方法，其特征在于，所述步驟s2中構建圖數(shù)據(jù)g(a,x)的具體過程為：

3.根據(jù)權利要求2所述的方法，其特征在于，所述步驟s22具體包括

4.根據(jù)權利要求1所述的方法，其特征在于，所述步驟s3具體包括，

5.根據(jù)權利要求1所述的方法，其特征在于，還包括如下步驟，

6.根據(jù)權利要求5所述的方法，其特征在于，還包括如下步驟，

7.根據(jù)權利要求6所述的方法，所述步驟s7具體包括，

8.一種利用mrs-gnn模型處理軸承故障樣本數(shù)據(jù)不平衡的裝置，其特征在于，包括：

9.一種利用mrs-gnn模型處理軸承故障的故障分類器，其特征在于，包括處理器和存儲器，所述存儲器內存儲有執(zhí)行程序，該執(zhí)行程序可執(zhí)行如權利要求1-7任一所述的方法。

10.根據(jù)權利要求9所述的故障分類器，其特征在于，所述存儲器內存儲的執(zhí)行程序還可執(zhí)行如下方法，

技術總結
本發(fā)明公開了一種利用MRS?GNN模型處理軸承故障樣本數(shù)據(jù)不平衡的方法及故障分類器，包括如下步驟：先針對軸承的所有一維振動信號構建標簽集；再利用GNN圖神經(jīng)網(wǎng)絡將所有的振動信號樣本構建成圖數(shù)據(jù)和計算每個節(jié)點的新的嵌入表示，最后使用MRS算法針對所有少數(shù)類樣本擴充其數(shù)量，使其數(shù)量均等于所述具有標簽數(shù)量最大值的樣本數(shù)量。本發(fā)明有效地解決了軸承故障智能診斷中的軸承故障樣本數(shù)據(jù)不平衡問題，可以提高故障分類器對所有類別的分類準確度，尤其提升對少數(shù)類故障的預測能力；改進少數(shù)類故障的檢測能力，可以防止成本高昂的故障，減少意外停機時間和維修費用，保證生產(chǎn)效率和設備健康。

技術研發(fā)人員：陸文灝,潘鈺山,繆偉,馬俊,張宇峰,劉森
受保護的技術使用者：蘇州工業(yè)職業(yè)技術學院
技術研發(fā)日：
技術公布日：2025/1/6