【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。