基于图神经网络的分类故障检测方法技术

本发明专利技术公开了基于图神经网络的分类故障检测方法，输入时序数据，通过线性层将输入数据投影至所设维度，采用两层一维卷积神经网络提取时间特征，根据欧氏距离以半径动态生成邻接矩阵，基于邻接矩阵，在每一层图卷积中，对邻接节点特征进行空间聚合，并使用注意力机制以学习重要节点的权重，重复三层GATv2卷积，每层输出加入残差连接和归一化处理，最终得到空间聚合的节点特征表示，最后通过解码器将提取到的时空特征转换为分类结果，以检测故障；解决了现有技术无法胜任现代工业系统中的负责多源数据和多样化特征的问题，结合了记忆一维卷积神经网络和GNN的深度学习方法，能够同时提取时空特征，从而在故障检测的准确性上显著优于传统的统计学方法。

【技术实现步骤摘要】

本专利技术涉及工业大数据计算领域，特别是涉及一种基于图神经网络的分类故障检测方法。

技术介绍

1、在工业设备故障检测领域，分类算法已成为处理充足故障数据时的首选手段。传统的异常检测方法，如基于统计分析或阈值设定的规则模型，虽然在数据稀缺的情况下具有一定实用性，但往往难以适应现代工业系统中复杂且多样化的故障模式。随着数据采集技术的进步，工业设备运行数据的记录逐渐丰富，故障数据集的规模也显著提升，为基于深度学习的分类算法提供了广泛应用的基础。

2、分类算法利用充足的故障样本，通过数据驱动方式实现对正常与异常状态的精确区分。在这一场景中，分类模型可以直接利用标签数据进行监督训练，逐渐学习到多测点、复杂设备中隐藏的特征模式，并在预测时达到较高的故障识别准确率。

3、传统的统计学算法在故障检测中由于依赖于预设的阈值和固定规则，通常只能识别出简单的异常模式，难以适应现代工业系统中复杂的时空数据关联和多样化的故障特征。这些方法在准确性上往往受限于数据的线性假设和独立性假设，难以捕捉到设备间的复杂关联和时序上的隐含特征，因此容易产生较高的误检或漏检本文档来自技高网...

【技术保护点】

1.基于图神经网络的分类故障检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的分类故障检测方法，其特征在于，步骤S2中所述线性层将输入特征维度映射至与CNN输出通道一致的维度。

3.根据权利要求2所述的基于图神经网络的分类故障检测方法，其特征在于，步骤S3中每层一维卷积神经网络均包含卷积操作、层归一化和ReLU激活函数，且第二层引入残差连接。

4.根据权利要求3所述的基于图神经网络的分类故障检测方法，其特征在于，步骤S4中所述半径根据节点特征空间距离动态调整邻接关系。

5.根据权利要求4所述的基于图神经网络的分类...

【技术特征摘要】

1.基于图神经网络的分类故障检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的分类故障检测方法，其特征在于，步骤s2中所述线性层将输入特征维度映射至与cnn输出通道一致的维度。

3.根据权利要求2所述的基于图神经网络的分类故障检测方法，其特征在于，步骤s3中每层一维卷积神经网络均包含卷积操作、层归一化和relu激活函数，且第二层引入残差连接。

4.根据权利要求3所述的基于图神经网络的分类故障检测方法，其特征在于，步骤s4中所述半径根据节点特征空间距离动态调整邻接关系。

5.根据权利要求4所述的基于图神经网络的分类故障检测方法，其特征在于，步骤s5中所述gatv2卷积层采用注意力机制加权聚合邻域节点特征。

【专利技术属性】
技术研发人员：郎彦东，徐波，孔丽君，周一鸣，杨靖宇，齐智勇，向强铭，任文锋，黄正海，詹楚云，代凤鸣，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：