基于图神经网络与知识图谱的气缸盖多故障整体诊断方法技术

本发明专利技术公开智能故障诊断领域中的一种基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，通过传感器采集船用柴油机气缸盖振动数据，并对其进行预处理，然后构建故障训练数据集；再构建关系图卷积网络模型并训练网络，基于Matlab的Neo4j访问接口创建故障知识图谱，并通过Neo4j图数据库进行可视化展示，将所有故障模型与知识图谱中的故障实体通过构建映射表联系起来，通过映射表，将关系图卷积网络扩展到知识图谱中的推理任务中，将故障特征输入关联后的故障知识图谱中进行检索，得到故障知识图谱中对应的故障实体的解释，从而判定出故障，实现船用柴油机气缸盖多故障整体诊断决策的快速响应，提高故障诊断的准确率。提高故障诊断的准确率。提高故障诊断的准确率。

【技术实现步骤摘要】
基于图神经网络与知识图谱的气缸盖多故障整体诊断方法


[0001]本专利技术属于智能故障诊断领域，涉及船用柴油机部件的故障诊断，具体是船用柴油机中气缸盖的故障诊断方法。

技术介绍

[0002]随着对船舶运行的可靠性、可用性、可维修性、经济性以及安全性提出的更高要求。船用柴油机作为船舶的配套设备，是船舶的动力源泉，其运行状态的好坏直接影响整船的性能。如图1所示，船用柴油机的气缸盖具有结构复杂、零部件多且相互关联、振动因素多等特点；这些特点促使船用柴油机气缸盖的故障诊断与维护具有相当难度。而柴油机状态参数检测能够使人们及时准确地了解其工作状态，进而能从其运行状态中推断其性能，最终根据性能决定其部件的维护、维修及更换等方案。
[0003]目前，传统故障诊断方法存在的问题大致总结为：(1)一些故障诊断方法过于依赖专家经验；(2)在获取到故障特征后，用传统的机器学习进行故障分类和识别，会浪费较多时间；(3)单一故障诊断模型方法每次只能判断一种故障模式，因某些故障特征组合并不是由一种单一故障导致，因此该方法并不适用于并发故障诊断；(4)多故障诊断模型方法虽然适用于并发故障诊断，但随着诊断模型中单一故障模式种类的增加，其对应的组合故障种类成指数增长，从而极大增加模型的复杂性及延缓运算速度。
[0004]中国专利公开号为CN102539159A、名称为“一种柴油机气门机构故障诊断方法”的文献公开的方法是采用冗余第二代小波包变换对从柴油机气缸盖上采集的振动信号进行分解，提取出分解信号的时域统计特征，构成故障特征向量，以两类分类支持向量机为基础构造出多故障分类支持向量机模型，实现对柴油机气门机构故障状态的分类识别。中国专利公开号为CN113283027A、名称为“一种基于知识图谱和图神经网络的机械故障诊断方法”的文献公开的方法是通过采集机械故障工单对故障工单进行文本清洗，创建结构化的故障文本数据，创建可训练的故障节点特征数据、关系三元组数据以及图数据，构建机械故障知识图谱并进行可视化展示，构建图注意力神经网络模型并训练网络，获取机械故障知识图谱节点的特征表示，通过降维算法将节点特征表示降到二维，得到节点特征在二维平面上的分布，最终得到故障节点的分类，以此实现故障诊断。中国专利公开号为CN112906892A、名称为“一种基于深度学习与知识图谱的设备故障智能诊断方法”的文献公开方法是通过设备传感器获得设备运转实时振动数据，进行数据预处理，通过CNN与GRU以及Attention机制的结合使用构建深度学习模型，构建出设备故障诊断深度学习模型，通过Protege建模工具构建设备故障本体模型，构建出设备故障图谱，通过Cypher语句将图谱导入到图数据库Neo4j中实现图谱可视化，构造result与知识库中实例的映射表，以实例作为查询条件查询出故障现象相关信息。以上三种技术方案存在的问题是：模型太复杂，运算速度延缓，当应用到故障源较多的机械设备上时，准确率和运算速度会降低，并且都没有实现多故障整体诊断。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供一种基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，针对已有的专家经验和多故障整体诊断模型，将知识图谱引入到故障诊断领域，并引入图神经网络对故障知识图谱进行知识推理，挖掘各个故障特征之间的关联性规则，从而实现船用柴油机气缸盖多故障整体诊断决策的快速响应，解决随着诊断模型中单一故障模式种类的增加，其对应的组合故障种类成指数增长，从而极大增加模型的复杂性及延缓运算速度问题。
[0006]为解决上述技术问题，本专利技术基于图神经网络与知识图谱的气缸盖多故障整体诊断方法采用的技术方案是：采集气缸盖在故障运行状态下的信号数据并处理，得到重构数据集，对重构信号数据作解调处理得到故障特征{X1,X2,...,X
P
}，P表示故障特征的个数，故障特征{X1,X2,...,X
P
}划分为训练集和样本集，还包括以下步骤：
[0007]步骤(1)：确定出不同故障特征{X1,X2,...,X
P
}所对应的故障模式{F1,...,F
n
}，建立故障辨识框架Φ(Γ)＝{F1,...,F
n
,{F1,F2},...,{F1,...,F
i
},...,{F1,...,F
n
}}，Γ是所有故障模式子集的集合，i＝1,2,...,n，n是故障模式的个数，
[0008]步骤(2)：根据故障特征{X1,X2,...,X
P
}以及故障辨识框架Φ(Γ)包含的2
n
‑
1个故障模式子集间的语义关系创建故障实体文本，根据气缸盖的故障实体间的对应关系筛选出故障三元组＜h,r,t＞，h是头实体，r是关系，t是尾实体；
[0009]步骤(3)：对于每个故障三元组＜h,r,t＞，将实体空间内的实体投影到关系r所在的空间，构建知识表示模型CTransR，
[0010]步骤(4)：将所述的知识表示模型CTransR嵌入所述的故障辨识框架Φ(Γ)中，运用所述的知识表示模型CTransR及故障辨识框架Φ(Γ)搭建故障知识图谱，向故障知识图谱中插入故障实体以及故障实体间的语义关系，形成完整的故障知识图谱；
[0011]步骤(5)：建立关系图卷积网络模型，网络的每个节点，周围所有与之相连的关系r都表示为一个矩阵，加入节点更新公式中更新；
[0012]步骤(6)：采用所述的关系图卷积网络模型，对所述的训练集和验证集中的故障特征{X1,X2,...,X
P
}同时进行编码训练，得到训练后的故障特征{X1,X2,...,X
P
}；
[0013]步骤(7)：使用所述的关系图卷积网络模型抽取所述的故障实体文本中的头实体h和尾实体t之间的关系并对实体及实体关系进行学习，以更新故障知识图谱；。
[0014]步骤(8)：构建故障模式{F1,...,F
n
}与故障知识图谱中的故障实体之间的映射表，通过映射表，将关系图卷积网络与故障知识图谱通过映射关联，得到关联后的故障知识图谱；
[0015]步骤(9)：采集任意待诊断的气缸盖的样本，将其故障特征{X1,X2,...,X
P
}输入所述的关联后的故障知识图谱中进行检索，得到故障知识图谱中对应的故障实体的解释，从而判定出故障。
[0016]本专利技术的技术效果是：本专利技术通过传感器采集船用柴油机气缸盖振动数据，并对其进行预处理，然后构建故障训练数据集；再构建关系图卷积网络模型并训练网络，基于Matlab的Neo4j访问接口创建故障知识图谱，并通过Neo4j图数据库进行可视化展示，将所有故障模型与知识图谱中的故障实体通过构建映射表联系起来，通过映射表，将关系图卷积网络扩展到知识图谱中的推理任务中，从而实现船用柴油机气缸盖多故障整体诊断决策
的快速响应，提高故障诊断的准确率。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，采集气缸盖在故障运行状态下的信号数据并处理，得到重构数据集，对重构信号数据作解调处理得到故障特征{X1,X2,...,X
P
}，P表示故障特征的个数，故障特征{X1,X2,...,X
P
}划分为训练集和样本集，其特征是还包括以下步骤：步骤(1)：确定出不同故障特征{X1,X2,...,X
P
}所对应的故障模式{F1,...,F
n
}，建立故障辨识框架Φ(Γ)＝{F1,...,F
n
,{F1,F2},...,{F1,...,F
i
},...,{F1,...,F
n
}}，Γ是所有故障模式子集的集合，i＝1,2,...,n，n是故障模式的个数，步骤(2)：根据故障特征{X1,X2,...,X
P
}以及故障辨识框架Φ(Γ)包含的2
n
‑
1个故障模式子集间的语义关系创建故障实体文本，根据气缸盖的故障实体间的对应关系筛选出故障三元组＜h,r,t＞，h是头实体，r是关系，t是尾实体；步骤(3)：对于每个故障三元组＜h,r,t＞，将实体空间内的实体投影到关系r所在的空间，构建知识表示模型CTransR，步骤(4)：将所述的知识表示模型CTransR嵌入所述的故障辨识框架Φ(Γ)中，运用所述的知识表示模型CTransR及故障辨识框架Φ(Γ)搭建故障知识图谱，向故障知识图谱中插入故障实体以及故障实体间的语义关系，形成完整的故障知识图谱；步骤(5)：建立关系图卷积网络模型，网络的每个节点，周围所有与之相连的关系r都表示为一个矩阵，加入节点更新公式中更新；步骤(6)：采用所述的关系图卷积网络模型，对所述的训练集和验证集中的故障特征{X1,X2,...,X
P
}同时进行编码训练，得到训练后的故障特征{X1,X2,...,X
P
}；步骤(7)：使用所述的关系图卷积网络模型抽取所述的故障实体文本中的头实体h和尾实体t之间的关系并对实体及实体关系进行学习，以更新故障知识图谱；。步骤(8)：构建故障模式{F1,...,F
n
}与故障知识图谱中的故障实体之间的映射表，通过映射表，将关系图卷积网络与故障知识图谱通过映射关联，得到关联后的故障知识图谱；步骤(9)：采集任意待诊断的气缸盖的样本，将其故障特征{X1,X2,...,X
P
}输入所述的关联后的故障知识图谱中进行检索，得到故障知识图谱中对应的故障实体的解释，从而判定出故障。2.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：步骤(9)中，当采集的样本不能被关联后的故障知识图谱识别时，重复步骤步骤(6)
‑
(8)，完成数据的扩充以及故障知识图谱的更新，直到得到对应故障实体的解释为止。3.根据权利要求1所述的基于图神经网络与知识图谱的气缸盖多故障整体诊断方法，其特征是：对气缸盖在故障运行状态下的信号数据划定样本长度，根据信号数据中的一个周期信号的数据点数量N
T
...

【专利技术属性】
技术研发人员：张成东，张胜文，国明义，吴琦，方喜峰，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：