[發明專利]基于圖神經網絡的多源時序數據故障診斷方法和介質

有效

• 申請號: 202011637583.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112783940B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 綦科;李文康
• 申請（專利權）人: 廣州大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04;G06N3/08;G06F17/16;G06F18/25
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 鄭浦娟

1.一種基于圖神經網絡的多源時序數據故障診斷方法，其特征在于，包括：

S1、針對于故障檢測的系統，獲取多源時序歷史數據；

S2、針對多源時序歷史數據進行數據預處理，得到訓練樣本，具體為：

SA、數據同步處理：針對于獲取到的多源時序歷史數據或多源時序實時數據，對各數據源的時序數據同步采樣，即按照設定時間間隔ΔT同步獲取各數據源在同一時刻的采樣值，得到同步時序數據集D：

其中，M是數據源的總個數，N是采樣數據長度；其中表示：針對第k個數據源的時序數據進行采樣時在時刻t采樣到的數據，t₀為采樣的起始時刻；

其中，采用均值插補法進行缺失值處理，用于獲取各數據源在同一時刻的采樣值；

SB、歸一化處理：對同步時序數據集D中各數據源在不同時刻的數據采用min-max標準化處理，經過標準化處理后的數據集記為D^*；

SC、數據切片處理：數據切片處理定義為映射f_slice:且映射函數f(t)為：

f(t)＝D^*[t:t+d-1]；

t＝q*λ，q＝0,1,2,...,L-1；

其中，d為切片長度，λ為移動步長，N是采樣數據長度；

數據集D^*經過上述切片處理后，得到長度為L的切片序列

其中：表示切片數據I_j中的第m組數據，該組數據中包括標準化處理后的多個數據源同一時刻的數據；

S3、通過訓練樣本對圖神經網絡模型進行訓練，得到故障診斷模型；

S4、針對于要檢測故障的系統，獲取多源時序實時數據，并且進行數據預處理；

S5、將多源時序實時數據預處理后的結果輸入到故障診斷模型，通過故障診斷模型輸出系統的故障診斷結果。

2.根據權利要求1所述的基于圖神經網絡的多源時序數據故障診斷方法，其特征在于，步驟S2中，多源時序歷史數據進行數據預處理后，將得到的切片序列作為訓練樣本，各訓練樣本的標簽為多源時序歷史數據中最后一組數據獲取時，系統對應的故障情況。

3.根據權利要求1所述的基于圖神經網絡的多源時序數據故障診斷方法，其特征在于，步驟S4中，獲取的多源時序實時數據為系統在之前某時刻到當前時刻T的實時數據；在數據同步采樣處理后，得到各數據源在第T-(N-1)ΔT時刻、第T-(N-2)ΔT時刻，…，第T-ΔT時刻、第T時刻的數據采樣值，構成了多源時序實時數據對應的同步時序數據集D；然后經過步驟SB和SC處理后得到切片序列將切片序列作為輸入到故障診斷模型，通過故障診斷模型輸出系統的故障診斷結果。

4.根據權利要求1所述的基于圖神經網絡的多源時序數據故障診斷方法，其特征在于，所述圖神經網絡模型包括輸入層、圖構造層、GNN層和softmax層；其中：

輸入層，用于輸入多源時序歷史數據或多源時序實時數據預處理后的切片時序數據集

圖構造層，用于構造GNN層計算所需的圖節點V和連接矩陣A；

GNN層，用于根據所述圖節點V和連接矩陣A，計算并更新圖中每個節點的節點隱藏狀態，并基于此計算每個結點的輸出，其中：

GNN節點隱藏狀態更新：

GNN節點輸出：

其中，為節點i的M維節點特征值，e_k為鄰接節點k的M維節點特征值，N_i為節點i的鄰接節點集合，A_i,k為連接矩陣A中節點i與鄰接節點k的邊權，表示垂直連接，和為可學習權重矩陣；

softmax層，用于執行運算y＝softmax(O)，其中表示對應樣本的故障診斷預測概率，O為GNN層的輸出向量，并根據預測概率的大小輸出故障診斷結果。