[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

本發明公開了基于圖神經網絡的多源時序數據故障診斷方法和介質，針對于故障檢測的系統，獲取歷史多源時序數據；并且對多源時序歷史數據進行數據預處理得到訓練樣本，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；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后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。本發明采用圖神經網絡模型建立故障診斷模型，基于系統中獲取到的多源時序數據進行故障診斷，多源時序數據具有兩個維度特征，分別是時間維度的時序特征和多源數據相關性特征，本發明能夠較佳的融合多源數據的相關性特征和時間維度的時序特征，能夠有效的提高故障診斷的準確率和抗噪性。

技術領域

本發明屬于智能故障診斷技術領域，特別涉及一種基于圖神經網絡的多源時序數據故障診斷方法和介質。

背景技術

大型系統的運行狀態監測需要多傳感器的協同工作。多傳感器采集的多源時序數據為大型系統的故障診斷提供了信息基礎：系統故障的發生與很多因素相關，多傳感器采集的多源數據之間潛在有大量的有效關聯信息，即系統故障的發生具有多源數據相關性；同時，系統故障的發生是一個漸變的過程，當前系統故障的發生與先前時間段系統的運行狀態有著密切聯系，即系統故障的發生具有時間相關性。

現有技術中，故障診斷方法一般包括基于數學模型的故障診斷、基于參數估計的故障診斷、基于信號處理的故障診斷、基于知識的故障診斷、基于神經網絡的故障診斷等方法，其共性在于需要依據經驗，手工設計和提取行故障診斷所需的故障特征；然而，人工設計故障特征具有適用性差、領域知識依賴性強、診斷準確性低等不足，因此，基于深度學習的智能故障診斷方法以其特征自動提取、準確性高等優點在大數據背景的故障診斷領域得到快速發展。

基于CNN(卷積神經網絡)和LSTM(長短期記憶人工神經網絡)的智能故障診斷應用廣泛，能實現特征自動提取和故障分類診斷，但CNN和LSTM對多源數據的特征提取，一般采用多個CNN+LSTM分支的方式，每個分支分別提取單源數據特征后再進行多分支特征融合的處理方法，既弱化或丟失了多源數據之間的相關性特征，又增加了網絡的復雜度，降低了故障診斷結果的準確性和效率。

發明內容

本發明的第一目的在于克服現有技術的缺點與不足，提供一種基于圖神經網絡的多源時序數據故障診斷方法，該方法能夠較佳的融合多源數據的相關性特征和時間維度的時序特征，能夠有效的提高故障診斷的準確率和抗噪性。

本發明的第二目的在于提供一種基于圖神經網絡的多源時序數據故障診斷裝置。

本發明的第三目的在于提供一種存儲介質。

本發明的第四目的在于提供一種計算設備。

本發明的第一目的通過下述技術方案實現：一種基于圖神經網絡的多源時序數據故障診斷方法，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；

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。

優選的，針對于多源時序歷史數據和多源時序實時數據，進行數據預處理的過程如下：

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△T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：