【技术实现步骤摘要】
基于多传感器融合超图神经网络的故障确定方法和设备
[0001]本申请涉及机电系统
,尤其涉及一种基于多传感器融合超图神经网络的故障确定方法和设备。
技术介绍
[0002]针对旋转机械、核电厂机电系统等结构比较复杂的机电系统,若其中的某一重要设备零件损坏,极有可能造成设备无法正常工作甚至引发事故,因此需要对设备进行实时监测和故障诊断,及时排查设备故障风险。
[0003]现有技术中,利用人工智能技术,基于设备故障样本和人工诊断结果,构建故障诊断模型,再通过该故障诊断模型对新出现的设备故障进行诊断,进而完成对机电系统的故障诊断。
[0004]但是上述方式中,由于机电系统中设备发生的故障次数较少,尤其是从大型设备处获取故障样本的机会更少,进而导致基于少量样本所预测出的故障类型不准确。
技术实现思路
[0005]本申请提供一种基于多传感器融合超图神经网络的故障确定方法和设备,用以解决因获取故障样本的机会较少导致基于少量样本所预测出的故障类型不准确问题。
[0006]第一方面,本申请提供一种基于多传感器融合超图神经网络的故障确定方法,包括:
[0007]获取机电系统的待处理数据集合;其中,所述待处理数据集合中包括机电系统中每一传感器的数据子集,所述数据子集中包括传感器在每一时刻所采集的传感器数据;
[0008]对所述待处理数据集合进行超图计算处理,得到第一超图的第一关联矩阵和第二超图的第二关联矩阵;其中,所述第一超图表征数据子集中的传感器数据之间的关联关系,所述第一关 ...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器融合超图神经网络的故障确定方法,其特征在于,所述方法包括:获取机电系统的待处理数据集合;其中,所述待处理数据集合中包括机电系统中每一传感器的数据子集,所述数据子集中包括传感器在每一时刻所采集的传感器数据;对所述待处理数据集合进行超图计算处理,得到第一超图的第一关联矩阵和第二超图的第二关联矩阵;其中,所述第一超图表征数据子集中的传感器数据之间的关联关系,所述第一关联矩阵包括各数据子集中每一数据子集中的传感器数据之间的关联关系;所述第二超图表征待处理数据集合中的传感器数据之间的关联关系,所述第二关联矩阵包括待处理数据集合中的传感器数据之间的关联关系;根据所述待处理数据集合、所述第一关联矩阵以及所述第二关联矩阵,确定所述机电系统的故障类型。2.根据权利要求1所述的方法,其特征在于,根据所述待处理数据集合、所述第一关联矩阵以及所述第二关联矩阵,确定所述机电系统的故障类型,包括:将所述待处理数据集合和所述第一关联矩阵,输入至预设的故障诊断模型的第一超图神经网络分支中,得到第一特征向量;其中,所述第一特征向量表征所述待处理数据集合与所述第一关联矩阵的融合特征;所述预设的故障诊断模型为基于超图神经网络模型所得到的模型;将所述待处理数据集合和所述第二关联矩阵,输入至预设的故障诊断模型的第二超图神经网络分支中,得到第二特征向量;其中,所述第二特征向量表征所述待处理数据集合与所述第二关联矩阵的融合特征;将所述第一特征向量和所述第二特征向量进行连接,得到待处理特征向量;基于所述预设的故障诊断模型对待处理特征向量进行识别,得到所述机电系统的故障类型。3.根据权利要求2所述的方法,其特征在于,将所述待处理数据集合和所述第一关联矩阵,输入至预设的故障诊断模型的第一超图神经网络分支中,得到第一特征向量,包括:将所述待处理数据集合和所述第一关联矩阵,输入至预设的故障诊断模型的第一超图神经网络分支中,对所述待处理数据集合和所述第一关联矩阵进行卷积处理,得到第一中间特征;其中,所述第一中间特征表征所述待处理数据集合与所述第一关联矩阵的融合特征;对所述第一中间特征和所述第一关联矩阵进行卷积处理,得到所述第一特征向量。4.根据权利要求2所述的方法,其特征在于,将所述待处理数据集合和所述第二关联矩阵,输入至预设的故障诊断模型的第二超图神经网络分支中,得到第二特征向量,包括:将所述待处理数据集合和所述第二关联矩阵,输入至预设的故障诊断模型的第二超图神经网络分支中,对所述待处理数据集合和所述第二关联矩阵进行卷积处理,得到第二中间特征;其中,所述第二中间特征表征所述待处理数据集合与所述第二关联矩阵的融合特征;对所述第二中间特征和所述第二关联矩阵进行卷积处理,得到所述第二特征向量。5.根据权利要求1所述的方法,其特征在于,对所述待处理数据集合进行超图计算处理,得到第一超图的第一关联矩阵,包括:针对所述待处理数据集合中的每一传感器的数据子集,确定该传感器的数据子集中每
一对传感器数据之间的第一距离信息;其中,所述第一距离信息表征一对传感器数据之间的数据差值;针对所述待处理数据集合中的每一传感器的数据子集,依据该传感器的数据子集对应的各第一距离信息,基于K近邻法对该传感器的数据子集进行处理,得到该传感器的第三超图的第三关联矩阵;其中,所述第三超图表征传感器的至少一个第一特征信息;所述第一特征信息表征传感器在各时刻下的传感器数据之间的关联关系;对各传感器的第三超图的第三关联矩阵进行拼接,得到所述第一超图的第一关联矩阵;其中,所述第一关联矩阵包括每一传感器的第一特征信息。6.根据权利要求1所述的方法,其特征在于,对所述待处理数据集合进行超图计算处理,得到第二超图的第二关联矩阵,包括:根据所述待处理数据集合,确定所述待处理数据集合中归属于同一时刻的传感器数据,为该时刻下的超图节点;其中,所述超图节点包括机电系统中的各传感器下的归属于同一时刻的传感器数据;针对每一对超图节点,根据每一对超图节点中一个超图节点的各传感器数据、以及每一对超图节点中另一个超图节点的各传感器数据,确定每一对超图节点之间的第二距离信息;其中,所述第二距离信息表征一对超图节点在预设空间上的距离;所述预设空间为以所述机电系统中的传感器的个数为维度所建立的多维空间;依据各所述第二距离信息,基于K近邻法对所述待处理数据集合进行处理,得到所述第二超图的第二关联矩阵;其中,所述第二超图表征超图节点的至少一个第二特征信息;所述第二特征信息表征超图节点之间的关联关系;所述第二关联矩阵包括各超图节点的各第二特征信息。7.根据权利要求6所述的方法,其特征在于,所述第二距离信息为其中,x
i
为第i时刻下对应在预设空间中的超图节点,x
j
为第j时刻下对应在预设空间中的超图节点,x
iS
为第S个传感器在第i时刻下采集的传感器数据,x
jS
为第S个传感器在第j时刻下采集的传感器数据,i为大于等于1的整数,j为大于等于1的整数,S为大于等于1的整数。8.根据权利要求1
‑
7中任一项所述的方法,其特征在于,对所述待处理数据集合进行超图计算处理,得到第一超图的第一关联矩阵和第二超图的第二关联矩阵之前,还包括:对所述待处理数据集合中的传感器数据进行傅里叶变换处理,得到处理后的待处理数据集合。9.根据权利要求1
‑
7中任一项所述的方法,其特征在于,所述方法还包括:根据所述机电系统的故障类型生成告警信息,并发出所述告警信息;其中,所述告警信息为以下的一种或多种:语音信息、文字信息、图像信息、视频信息、灯光信息。10.一种基于多传感器融合超图神经网络的模型训练方法,其特征在于,所述方法包括:获取机电系统的待训练数据集合;其中,所述待训练数据集合中包括机电系统中每一
传感器的数据子集,所述数据子集中包括传感器在每一时刻所采集的传感器数据;对所述待训练数据集合进行超图计算处理,得到第一超图的第一关联矩阵和第二超图的第二关联矩阵;其中,所述第一超图表征数据子集中的传感器数据之间的关联关系,所述第一关联矩阵包括各数据子集中每一数据子集中的传感器数据之间的关联关系;所述第二超图表征待训练数据集合中的传感器数据之间的关联关系,所述第二关联矩阵包括待训练数据集合中的传感器数据之间的关联关系;根据所述待训练数据集合、所述第一关联矩阵以及所述第二关联矩阵,对初始模型进行训练,得到预设的故障诊断模型;其中,所述初始模型为基于超图神经网络模型所得到的模型;其中,所述预设的故障诊断模型用于对权利要求1
‑
9中任一项所述的待处理数据集合进行识别得到机电系统的故障类型。11.根据权利要求10所述的方法,其特征在于,所述待训练数据集合对应有实际的故障类型;根据所述待训练数据集合、所述第一关联矩阵以及所述第二关联矩阵,对初始模型进行训练,得到预设的故障诊断模型,包括:将所述待训练数据集合和所述第...
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。