一种基于快速图变换网络的装备健康状态评估方法技术

本发明专利技术公开了一种基于图注意力网络的装备健康状态评估方法，包括以下步骤：1)根据先验知识，采用知识图谱将装备部件的关联关系、监测数据依赖关系和先验信息等深度融合，构建出可以全面反映装备健康状态变化的图数据模型；2)基于构建的装备健康状态知识图谱，采用快速图变换网络提取健康状态知识图谱的特征信息，学习得到精确反映装备健康状态的表示向量；3)将装备健康状态表示向量经过全连接层得到健康状态分类预测概率，训练缩小与真实标签的损失值，得到健康状态评估结果。本发明专利技术能够通过提取各类数据的潜在数据特征，显著提高装备的健康状态评估的准确性。备的健康状态评估的准确性。备的健康状态评估的准确性。

【技术实现步骤摘要】
一种基于快速图变换网络的装备健康状态评估方法


[0001]本专利技术涉及健康状态评估领域，特别给出了一种基于快速图变换网络的装备健康状态评估方法。

技术介绍

[0002]随着工业互联网、大数据和人工智能技术的迅速发展和广泛应用，健康状态智能评估成为智能制造的关键一环和未来的潜在爆发点，通过分析大量状态监测数据，评估装备当前和未来一段时间的工作状态，及时准确掌握健康状态并进行预警，从而采取预测性维护措施，保障装备运行安全性、可靠性并有效降低维护成本，
[0003]现有装备健康状态评估方法主要分为模型驱动类型、知识驱动类型、数据驱动类型。模型驱动类型是相关专家在长期工作过程中，对装备降级的原理进行深入研究而设计的一种物理模型、如马氏距离法、融合权重计算法、欧式距离法、模糊理论法等，宋登巍(系统仿真技术，2017)等人基于健康基线和马氏距离对液压系统进行健康状态评估方法中将广义回归神经网络构建的观测器来获取残差，计算与健康基线间的马氏距离并归一化为健康状态；Bai(Microelectronics&Reliability，2017)等人通过构建一个虚拟健康向量，用灰色关联法计算采集向量和虚拟向量的关联度，对风力机叶片的健康状态进行了评估。这些方法由于需要专家经验确定权重及模型参数，加上建模的理想化假设，导致在实践中的效果很难适应装备运行过程中各种复杂的因素影响。
[0004]知识驱动类型的健康状态评估通过知识获取和知识表达来进行健康状态评。彭炎亮(计算机系统应用，2017)等针对开关柜提出了基于动态权重和模糊综合评判法的健康评估模型，但其权重是基于人工定义的，并不准确；钱虹(上海电力学院学报，2019)等人在基于变权重模糊评价方法的基础上，利用熵权法、均衡函数变权等形成综合加权法，能更加准确地反映装备运行状态的健康状态；刘伟强(计算机集成制造系统，2021)等针对发动机缸盖装配系统评估过程中存在的随机性和模糊性问题，提出了一种基于脆性度和云模型的健康状态评估方法，并验证了方法的正确性和有效性。这类方法很难实用，在健康状态评估方面还罕有研究，这主要是因为知识和经验受到限制，且知识表达也面临知识规格化的难题。
[0005]数据驱动是目前最有前景的一类方法，充分利用了机器学习和人工智能的优势，也是目前国内外在健康状态评估方面广泛研究的方法。雷亚国(机械工程学报，2019)提出机械装备故障的深度迁移诊断方法，构建领域共享的深度残差网络，从不同机械装备的监测数据中提取迁移故障特征；Pan(KSCE Journal of Civil Engineering，2018)等将深度贝叶斯信念网络学习用于提取结构信息和概率确定结构条件，解决了对结构件的健康状态评估中不稳定和不确定性的问题；Sun(Mathematical Problems in Engineering，2018)等引入了一种将顺SCADA变量的方差分析与RNN相结合的混合方法，通过长短期记忆网络以及部件健康的加权方法以评估风力涡轮机的健康状态；XU(IJCNN，2018)等提出一种基于GRU的刀具磨损预测模型，可以很好地处理时间序列数据并避免梯度消失问题；Huang(IEEE Transactions on Industrial Electronics，2019等)提出了一种基于双向长短期记忆网
络的新型预测方法，将多个传感器数据与操作条件数据集成并学习到高级的特征，生成预测的目标输出；Peng(IEEE Transactions on Industrial Electronics，2019)等提出了一种基于贝叶斯深度学习的方法，采用变分推理基于贝叶斯神经网络进行推理，其预测结果具有更好的可扩展性和泛化能力。这类方法主要集中于通过大量数据的训练，利用机器学习算法自动掌握数据之间的规律。
[0006]现有的装备健康评估方法还没有实现将不同来源的数据进行融合，也没有将数据中的空间特征和时间特种融合起来，因而存在比较大的局限性。

技术实现思路

[0007]为提取装备各类数据蕴含的时域特征与空域特征，进一步提高健康状态评估的准确性，本专利技术提出一种基于快速图变换网络的装备健康状态评估方法，首先将由数据集构建装备知识图谱，其次利用自发现元路径方法挖掘图谱中所有可能元路径，然后通过元路径将零部件数据、传感器监测数据、指标评级数据进行聚合，最后根据融合了时域与空域特征的特征向量进行健康状态评估。
[0008]为了解决技术问题本专利技术采用如下的技术方案：
[0009]一种基于快速图变换网络的装备健康状态评估方法，包括以下步骤：
[0010]S1、构建装备健康状态知识图谱
[0011]分别从装备的零部件数据、传感器监测数据和指标评级数据中提取部件实体、监测指标实体、评级指标实体以及耦合关系、监测关系和评价关系，构建带有时间标签的健康状态知识图谱，其形式化定义如下：
[0012]定义1、装备健康状态知识图谱是由部件状态实体及其关系组成的带有时间标签的有向图，可以表示为G＝(E，R，T)，其中E是实体集合，包括状态实体、监测指标实体、评级指标实体；R是带有时间戳的关系集合，包括关联关系和监测关系；是带时间戳的三元组集合；
[0013]健康状态知识图谱G可以用张量来表示，其中是第m种边类型的邻接矩阵，Am[i，j]表示从节点j到节点i的第m类关系的权重；
[0014]定义2、元路径：元路径是由知识图谱上不同类型关系连接而成的路径，形如其中表示元路径的第1种关系类型；
[0015]元路径定义了实体ε1，εl+1的复合关系元路径定义了实体ε1，εl+1的复合关系表示关系和关系的合成；
[0016]S2、学习健康状态知识图谱节点的特征向量
[0017]针对健康状态知识图谱中实体类型和关系类型种类繁多，人工提取元路径存在效率较低的问题，采用快速图变换网络(Fast Graph Transformer Networks)以知识图谱各类关系的邻接矩阵簇和节点初始特征向量矩阵Z作为输入，以端到端的方式学习节点最终特征向量；
[0018]快速图变换网络由多个FastGT层组成，每个FastGT层先执行关系软选择操作，得到包含各类关系的复合邻接矩阵，在复合邻接矩阵上执行关系路径学习操作，得到蕴含所
有可能关系路径的元路径邻接矩阵；将元路径邻接矩阵、初始特征向量矩阵输入至GCN，即可得到用于下游健康状态评估任务的节点特征向量。
[0019]步骤S2的具体过程如下：
[0020]S2.1、构造非局部邻接矩阵
[0021]为使得模型能够学习到语义相似的节点之间的多跳连接关系，需构造非局部邻接矩阵，该矩阵由向量之间的相似性计算得来；
[0022]在第K
‑
1层中，计算每个通道的隐向量的平均值，通过非线性变换将其投影到隐式空间中，然后利用隐式空间中向量的相似度计算出相似度矩阵，计算公式为：
[0023][0024]M
(K)
＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速图变换网络的装备健康状态评估方法，其特征在于：包括以下步骤：S1、采用知识图谱将装备部件的部件状态实体及部件关系融合，构建出能够反映装备健康状态变化的图数据模型；S2、基于构建的装备健康状态知识图谱，采用快速图变换网络提取健康状态知识图谱的特征信息，学习得到反映装备健康状态的向量表示；S3、基于特征向量进行装备健康状态评估。2.根据权利要求1所述的一种基于快速图变换网络的装备健康状态评估方法，其特征在于所述步骤S1的过程如下：分别从装备的零部件数据、传感器监测数据和指标评级数据中提取部件实体、监测指标实体、评级指标实体以及耦合关系、监测关系和评价关系，构建带有时间标签的健康状态知识图谱。3.根据权利要求2所述的一种基于快速图变换网络的装备健康状态评估方法，其特征在于所述步骤S2的过程如下：采用快速图变换网络以知识图谱各类关系的邻接矩阵簇和节点初始特征向量矩阵Z作为输入，以端到端的方式学习节点最终特征向量；所述快速图变换网络包括多个FastGT层，每个FastGT层先执行关系软选择操作，得到包含各类关系的复合邻接矩阵，在复合邻接矩阵上执行关系路径学习操作，得到包括所有可能关系路径的元路径邻接矩阵；将元路径邻接矩阵、初始特征向量矩阵输入至图神经网络GNN，即可得到用于下游健康状态评估任务的节点特征向量。4.根据权利要求3所述的一种基于快速图变换网络的装备健康状态评估方法，其特征在于所述步骤S2包括以下具体步骤：S2.1、构造非局部邻接矩阵，所述矩阵由向量之间的相似性计算得到；S2.2、计算复合关系邻接矩阵：在每个图变换层中，以非局部邻接矩阵A
nonlocal
和关系邻接矩阵簇作为输入，通过执行软选择操作，得到复合关系邻接矩阵，所述复合关系邻接矩阵用于关系路径学习操作；S2.3、提取元路径以表达故障在不同类型节点之间的传播关系；S2.4、更新节点的特征向量，提取出装备知识图谱的节点特征向量Z
output
，用于下游健康状态评估任务。5.根据权利要求4所述的一种基于快速图变换网络的装备健康状态评估方法，其特征在于所述步骤S2.1中，构造非局部邻接矩阵的具体过程如下：S2.2.1、在第K
‑
1层中，计算每个通道的隐向量的平均值，通过非线性变换将其投影到隐式空间中，然后利用隐式空间中向量的相似度计算出相似度矩阵，计算公式为：M
(K)
＝(g
θ
(H
(K
‑
1)
)g
θ
(H
(K
‑
1)
)
T
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，C代表第K
‑
1层的通道数，代表第K
‑
1层通道C的隐向量，H
(K
‑
1)
代表每个通道的隐向量的平均值，M
(K)
代表相似度矩阵，g
θ
为非线性变换投影矩阵；
S2.2.2、根据相似度矩阵M

【专利技术属性】
技术研发人员：张元鸣，郑文博，黄嘉诚，肖刚，程振波，徐雪松，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：