Unsupervised domain adaptation (UDA)-based methods have made great progress in mechanical fault diagnosis under variable working conditions. In UDA, three types of information, including class label, domain label, and data structure, are essential to bridging the labeled source domain and unlabeled target domain. However, most existing UDA-based methods use only the former two information and ignore the modeling of data structure, which make the information contained in the features extracted by the deep network incomplete. To tackle this issue, a domain adversarial graph convolutional network (DAGCN) is proposed to model the three types of information in a unified deep network and achieving UDA. The first two types of information are modeled by the classifier and the domain discriminator, respectively. In data structure modeling, a convolutional neural network (CNN) is first employed to exact features from input signals. After that, the CNN features are input to the proposed graph generation layer to construct instance graphs by mining the relationship of structural characteristics of samples. Then, the instance graphs are modeled by a graph convolutional network, and the maximum mean discrepancy metric is leveraged to estimate the structure discrepancy of instance graphs from different domains. Experimental results conducted on two case studies demonstrate that the proposed DAGCN can not only obtain the best performance among the comparison methods, but also can extract transferable features for domain adaptation. The code library is available at: https://github.com/HazeDT/DAGCN .

中文翻译：

---

可变工作条件下的域对抗图卷积网络故障诊断

基于无监督域自适应（UDA）的方法在可变工作条件下的机械故障诊断中取得了长足的进步。在UDA中，三种类型的信息（包括类标签，域标签和数据结构）对于桥接标记的源域和未标记的目标域至关重要。但是，大多数现有的基于UDA的方法仅使用前两种信息，而忽略了数据结构的建模，这使得深度网络提取的特征中包含的信息不完整。为了解决这个问题，提出了一种域对抗图卷积网络（DAGCN），以在统一的深度网络中对这三种类型的信息进行建模，并实现UDA。前两种信息分别由分类器和域区分器建模。在数据结构建模中，首先使用卷积神经网络（CNN）来从输入信号中精确识别特征。之后，将CNN特征输入到拟议的图形生成层中，以通过挖掘样本的结构特征之间的关系来构造实例图。然后，通过图卷积网络对实例图进行建模，并利用最大平均差异度量来估计来自不同域的实例图的结构差异。在两个案例研究上进行的实验结果表明，提出的DAGCN不仅可以在比较方法中获得最佳性能，而且可以提取可转移的特征以进行域自适应。代码库位于：通过挖掘样本的结构特征之间的关系，将CNN特征输入到建议的图形生成层中，以构造实例图。然后，通过图卷积网络对实例图进行建模，并利用最大平均差异度量来估计来自不同域的实例图的结构差异。在两个案例研究上进行的实验结果表明，提出的DAGCN不仅可以在比较方法中获得最佳性能，而且可以提取可转移的特征以进行域自适应。代码库位于：通过挖掘样本的结构特征之间的关系，将CNN特征输入到建议的图形生成层中，以构造实例图。然后，通过图卷积网络对实例图进行建模，并利用最大平均差异度量来估计来自不同域的实例图的结构差异。在两个案例研究上进行的实验结果表明，提出的DAGCN不仅可以在比较方法中获得最佳性能，而且可以提取可转移的特征以进行域自适应。代码库位于：并利用最大平均差异度量来估计来自不同域的实例图的结构差异。在两个案例研究上进行的实验结果表明，提出的DAGCN不仅可以在比较方法中获得最佳性能，而且可以提取可转移的特征以进行域自适应。代码库位于：并利用最大平均差异度量来估计来自不同域的实例图的结构差异。在两个案例研究上进行的实验结果表明，提出的DAGCN不仅可以在比较方法中获得最佳性能，而且可以提取可转移的特征以进行域自适应。代码库位于：https://github.com/HazeDT/DAGCN 。