一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法技术

本发明专利技术公开了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，包括以下步骤：S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；S2、基于完全图，构建先验知识库与图的拓扑结构；S3、构建PGAT模型，并对其进行训练；S4、基于训练后的PGAT模型进行故障诊断。将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。相比其他算法具有更好的故障诊断精度。相比其他算法具有更好的故障诊断精度。

【技术实现步骤摘要】
一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法


[0001]本专利技术涉及故障诊断
，更具体的说是涉及一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法。

技术介绍

[0002]目前，氧气顶吹转炉是顶吹熔炼系统的关键设备，其安全性对于在整个顶吹炉系统中处于核心地位，如果不能对该设备故障进行早期预警，并在故障发生时能迅速定位故障，可能会产生无法估量的后果。为了避免故障造成的重大事故、巨大经济损失，往往会使用人工的方式对设备进行预防性维护或者在系统中设置阈值对设备运行的状态进行监控。
[0003]但是，人工维护的方式效率低下，而设置阈值的方式又无法发现设备的早期微小故障。然而CNN可以从多个传感器源中自动提取特征，但无法在不丢失关键信息的情况下提取空间和时间特征。目前图神经网络在故障诊断领域的应用通常需要依赖其他算法初步确定样本之间的关系，进而构建图。
[0004]因此，提出一种基于历史数据的图拓扑结构构建方法，传统深度学习算法对数据量高度依赖，图卷积神经网络中图不易于扩展是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，包括以下步骤：
[0008]S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；
[0009]S2、基于完全图，构建先验知识库与图的拓扑结构；
[0010]S3、构建PGAT模型，并对其进行训练；
[0011]S4、基于训练后的PGAT模型进行故障诊断。
[0012]优选的，所述步骤S1具体包括：
[0013]S11、采用滑动窗口，分割一维振动信号，得到待处理样本；
[0014]S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；
[0015]S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：
[0016][0017]其中，V∈R
N
×
N
为正交矩阵，v
i
为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λ
i
为图信号的频率，分解得到的频率λ
i
代替原样本称为新的样本。
[0018]优选的，所述步骤S2具体包括：
[0019]取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接。
[0020]优选的，所述步骤S3具体包括：
[0021]S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为征进行线性变换，其权重矩阵为得到隐藏层的特征合集为
[0022]S32、设中心节点为v
i
，v
i
到邻居节点v
j
的权重系数为：
[0023][0024]其中，为中心节点v
i
的邻居节点的集合，a(
·
)为计算两个节点相关度的函数；
[0025]S32、计算图中任意一个节点到中心节点v
i
的权重系数，将其限制在一阶邻居内，对权重系数进行归一化处理：
[0026][0027]设a(
·
)为单层的反向传播神经网络，其参数为权重向量
[0028]S33、基于LeakyReLu函数，增加模型的非线性，则优化后的权重系数为：
[0029][0030]其中，||为连接操作；
[0031]S34、节点依据下式对信息进行聚合：
[0032][0033]引入多头注意力机制，稳定注意力机制的学习过程，即设置K组相互独立的注意力机制，除最后一层外，把每一个头聚合得到的向量拼接起来：
[0034][0035]将K个头的信息进行聚合，使用线性整流函数增加其非线性，基于平均化的方式对多头信息进行聚合：
[0036][0037]优选的，所述步骤S4具体包括：
[0038]PGAT模型在完成训练后，每一层会得到一个线性变换矩阵W，该矩阵与第i个节点的特征相乘得到该节点的隐藏特征；由于PGAT每一层共享矩阵W的参数，通过同一个矩阵W计算该层任何一个节点的隐藏特征；基于公式(2)，任意两个节点之间的权重系数以两个节点的隐藏特征作为输入，将其输入进评分函数中，即公式(3)；增加模型的非线性，使用激活函数LeakyReLU，通过公式(4)将中心节点与其邻居节点之间的分数做归一化处理，使得计算得到的分数具有可比性，在完成分数的计算之后，中心节点i聚合其邻居节点的特征，该聚合过程如公式(6)，若正在聚合的层是模型的最后一层，则对多头取平均值，并经由softmax函数计算每种故障的概率值，取获得最大概率值的类别为最终的诊断结果。
[0039]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0041]图1附图为本专利技术提供的流程方法结构示意图。
[0042]图2附图为本专利技术提供的PGAT与传统机器学习方法比较结果示意图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，包括以下步骤：S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；S2、基于完全图，构建先验知识库与图的拓扑结构；S3、构建PGAT模型，并对其进行训练；S4、基于训练后的PGAT模型进行故障诊断。2.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S1具体包括：S11、采用滑动窗口，分割一维振动信号，得到待处理样本；S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：其中，V∈R
N
×
N
为正交矩阵，v
i
为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λ
i
为图信号的频率，分解得到的频率λ
i
代替原样本称为新的样本。3.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S2具体包括：取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接。4.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S3具体包括：S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为征进行线性变换，其权重矩阵为得到隐藏层的特...

【专利技术属性】
技术研发人员：曹洁，陈泽阳，王进花，陈伟，蒋栋年，李亚洁，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：