【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。