【技术实现步骤摘要】
本专利技术涉及故障诊断领域，尤其涉及一种基于自适应图神经网络多源数据融合的故障诊断方法。
技术介绍
1、工业系统的高效运及维护都离不开专业故障诊断技术。通常大型工业系统的状态变化与系统环境、内部复杂结构、物理工作原理等多方面信息相关，相应的监测传感器种类繁多，同时采集的数据具有规模大、维度高、耦合关系复杂、噪声多、时变及非平稳等特点。因而，数据不同变量之间具有复杂的关联关系。传统的基于数据融合故障诊断方法以固定的模型考虑时间和空间维度特征，使得模型对多维变量间的复杂关系解释能力不足，进而难以满足工业场景下设备状态/故障诊断需求。
2、现有的基于多源数据融合的故障诊断技术主要包括：
3、(1)基于数据级融合的故障诊断，通常利用传感器采集的原始数据直接进行处理，将多种传感信号，如振动、声、电流及角速度等信号融合为单路信号，然后通过机器学习等手段从原始数据中挖掘或推理设备故障。该类方法具有传感信息损失小的优势，但通信要求高，且故障诊断推理难度大。
4、(2)基于特征级融合的故障诊断技术，首先将多个传感器采集的数据先进行特征提取，然后进行特征融合。该类方法一般采用证据理论、决策理论、模糊理论等理论结合先验知识构建故障诊断系统。这样可以降低融合数据的维度、通信负载需求及计算能力要求，但传感信息有丢失，将影响故障诊断的准确。
5、(3)决策级融合，首先针对多源传感信息的特征经过模式识别或贝叶斯网络推理等处理得到初级决策结果，然后利用d-s证据理论等方法融合多个初级决策结果得出最终决策结果。由于
6、为应对数据不同变量间的复杂关系，基于深度学习的方法以其诊断准确率高被广泛应用到故障诊断中，通常采用卷积神经网络(convolutional neural network，cnn)和长短时记忆网络(long short term memory network，lstm)在时间维度上进行多分支特征融合的处理方法，但对多源数据之间的关联关系特征解释力不足。为此，专利cn112783940a公开了一种基于图神经网络的多源时序数据的故障诊断方法和介质，可以结合多源数据的相关特征和时序特征，提高了故障诊断的准确率和抗噪性。然而，由于该方案的图神经网络为固定的拓扑结构，仍难以适用于复杂多变的多源数据融合及学习任务。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种基于自适应图神经网络多源数据融合的故障诊断方法，能够提高对复杂多变的多源数据融合及学习任务能力。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，包括以下步骤：
4、构建自适应图神经网络模型，所述自适应图神经网络模型利用图的相邻矩阵学习多个图结构，并通过融合多图结构估计故障类型；
5、采集不同传感源的数据，将每个数据均进行预处理后，输入自适应图神经网络模型。
6、进一步的，所述自适应图神经网络模型包括：
7、1×1卷积层，用于将不同源数据进行融合，然后输入至k层图神经网络；
8、所述k层图神经网络中，每个图神经网络通过跳跃连接的方式进行不同层级的特征融合，每个图神经网络包括：
9、时间卷积层，用于提取数据的时间维度特征；
10、自适应图卷积层，用于生成自适应邻接矩阵以表征不同图结构，并对不同图结构进行融合。
11、进一步的，所述时间卷积层中的门控机制表达式为：
12、
13、其中，x为具有s个时间步的输入时间序列数据，其中n为变量类型种类，即传感源数，d为节点隐向量维度，h(k)为第k层图神经网络的时间卷积层的输出特征，*d表示扩展因果卷积操作，⊙为逐元素相乘运算，tanh(·)表示tanh非线性激活函数，均为网络模型参数。
14、进一步的，生成自适应邻接矩阵的步骤具体包括：
15、将最后一层时间卷积网络的输出特征hk作为节点向量字典d1，设置参数矩阵作为节点向量字典d2，使用两个节点向量字典d1，d2分别表示为源节点向量集和目标节点向量集，d1，d2∈rn×(d×s)，根据节点向量字典d1，d2计算节点依赖关系权重z；
16、对节点依赖关系权重z标准化之后，截取节点依赖关系权重z中的正值zcut；
17、对zcut归一化，得到自适应邻接矩阵aadp。
18、进一步的，截取节点依赖关系权重z中的正值zcut具体包括：对节点依赖关系权重z标准化的结果znorm经过relu和tanh非线性激活，再对激活后的权重中的正值进一步截断处理。
19、进一步的，对不同图结构进行融合的具体步骤包括：
20、根据上一融合图结构gi-1和当前输入的初始图结构得到重置门ri和更新门zi的状态；
21、将当前重置门ri与上一融合图结构gi-1做hadamard乘积，更新当前候选融合图g′i；
22、使用更新门zi结合上一融合图结构gi-1和候选融合图g′i得到当前融合图gi，根据当前融合图gi更新自适应图卷积层的输出。
23、进一步的，重置门ri和更新门zi的表达式为：
24、
25、
26、其中σ(·)为sigmoid激活函数，为权重参数，为偏置参数。
27、进一步的，当前候选融合图g′i表达式为：
28、
29、其中为网络权重参数，为网络的偏置参数。
30、进一步的，当前融合图gi表达式为：
31、gi＝zi⊙gi-1+(1-zi)⊙g′i
32、其中⊙为逐元素相乘运算
33、进一步的，自适应图卷积层的输出表达式为：
34、
35、其中，k为传播步数，分别表示前向转移矩阵mf、后向转移矩阵mf、后向转移矩阵mb和自适应图gi的幂级数，分别为前向传播卷积、后向传播卷积和自适应传播卷积的网络参数。
36、与现有技术相比，本专利技术的优点在于：
37、本专利技术针对现有故障诊断中复杂关联关系的多源传感数据融合问题，通过自适应学习多图结构充分挖掘变量之间不同类型、不同程度的关联关系构建图神经网络模型。然后，将学到的图结构输入到共享参数的图神经网络中，结合输入数据，得到相应的特征向量，进而提高对复杂多变的多源数据融合及学习任务能力。
本文档来自技高网...【技术保护点】
1.一种基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，所述自适应图神经网络模型包括：
3.根据权利要求2所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，所述时间卷积层中的门控机制表达式为：
4.根据权利要求2所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，生成自适应邻接矩阵的步骤具体包括：
5.根据权利要求4所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，截取节点依赖关系权重z中的正值zcut具体包括：对节点依赖关系权重z标准化的结果znorm经过ReLU和tanh非线性激活，再对激活后的权重中的正值进一步截断处理。
6.根据权利要求2所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，对不同图结构进行融合的具体步骤包括：
7.根据权利要求6所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，重置门ri和更新门zi的
8.根据权利要求6所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，当前候选融合图G′i表达式为：
9.根据权利要求6所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，当前融合图Gi表达式为：
10.根据权利要求6所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，自适应图卷积层的输出表达式为：
...【技术特征摘要】
1.一种基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，所述自适应图神经网络模型包括：
3.根据权利要求2所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，所述时间卷积层中的门控机制表达式为：
4.根据权利要求2所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，生成自适应邻接矩阵的步骤具体包括：
5.根据权利要求4所述的基于自适应图神经网络多源数据融合的故障诊断方法，其特征在于，截取节点依赖关系权重z中的正值zcut具体包括：对节点依赖关系权重z标准化的结果znorm经过relu和tanh非线性...
【专利技术属性】
技术研发人员：邓仰东，肖罡，倪宇飞，万可谦，姜友友，刘小兰，杨钦文，
申请(专利权)人：江西科骏实业有限公司，
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。