本發(fā)明屬于故障診斷，具體涉及一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。
背景技術(shù)：
1、自上世紀(jì)以來，故障診斷技術(shù)已廣泛應(yīng)用于化工生產(chǎn)過程，對生產(chǎn)安全做出了重要貢獻。為了準(zhǔn)確確定故障類型，大量的學(xué)術(shù)研究和工業(yè)應(yīng)用已被開展。傳統(tǒng)上，這些方法被分為基于模型的方法、基于知識的方法和數(shù)據(jù)驅(qū)動的方法。
2、隨著科學(xué)技術(shù)發(fā)展，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)故障診斷方法被廣泛研究。圖神經(jīng)網(wǎng)絡(luò)(gnn)在故障診斷領(lǐng)域已經(jīng)成為研究熱點，因為其能夠有效處理非結(jié)構(gòu)化的數(shù)據(jù)，在處理多傳感器數(shù)據(jù)方面具有固有優(yōu)勢。它們可以揭示數(shù)據(jù)中的潛在關(guān)系，并利用變量之間的依賴性。其中圖卷積神經(jīng)網(wǎng)絡(luò)(gcn)和圖注意力網(wǎng)絡(luò)(gat)是圖神經(jīng)網(wǎng)絡(luò)的常見變體。
3、圖卷積神經(jīng)網(wǎng)絡(luò)是基礎(chǔ)的圖神經(jīng)網(wǎng)絡(luò)，而圖注意力網(wǎng)絡(luò)是在圖卷積神經(jīng)網(wǎng)路的基礎(chǔ)上延伸得到的。圖卷積神經(jīng)網(wǎng)絡(luò)中的圖卷積層通常由1-3層組成。參見圖1，所示為兩層圖卷積神經(jīng)網(wǎng)絡(luò)。每個節(jié)點被表示為一個特征向量，由邊及其權(quán)重表示圖的拓撲關(guān)系，反映了節(jié)點之間的關(guān)系。通過聚合來自相鄰節(jié)點的信息，圖卷積層提取了豐富的特征表示，以增強對節(jié)點上下文的理解。圖神經(jīng)網(wǎng)絡(luò)作用于圖g＝(v,e,f)，其中v是節(jié)點集，e是邊集，表示節(jié)點之間的連接。f是特征矩陣。關(guān)鍵成分包括鄰接矩陣a、度矩陣d和特征矩陣f。為了合并自循環(huán)，鄰接矩陣a被修改為并使用d進行歸一化，得到節(jié)點特征計算利用了和一個可學(xué)習(xí)的權(quán)值矩陣w，并將激活函數(shù)(例如，relu)應(yīng)用于非線性變換：
4、
5、其中，和是第一層和第二層的可學(xué)習(xí)參數(shù)。這里，d,h和f分別表示輸入、隱藏和輸出的特征維度。
6、多傳感器信號不僅表現(xiàn)出變量間的相關(guān)性，還表現(xiàn)出時變相關(guān)性。然而，圖神經(jīng)網(wǎng)絡(luò)在捕捉時間依賴性方面存在困難，包括變量間的時間關(guān)系和變量內(nèi)的自相關(guān)性。此外，現(xiàn)有的基于圖神經(jīng)網(wǎng)絡(luò)的故障診斷方法通常依賴于數(shù)據(jù)挖掘技術(shù)來提取圖結(jié)構(gòu)并構(gòu)建端到端的黑箱模型以捕捉復(fù)雜的變量關(guān)系。這些方法面臨重大挑戰(zhàn)，主要是由于缺乏領(lǐng)域知識支持，難以解釋模型行為和結(jié)果。對數(shù)據(jù)質(zhì)量的嚴(yán)重依賴也可能導(dǎo)致模型學(xué)習(xí)到錯誤的變量關(guān)系，特別是在數(shù)據(jù)存在噪聲或不完整的情況下。因此，現(xiàn)有的基于圖神經(jīng)網(wǎng)絡(luò)的故障診斷方法主要存在以下問題：
7、(1)缺乏化工過程知識與數(shù)據(jù)驅(qū)動方法的有效融合。當(dāng)前gnn模型的圖結(jié)構(gòu)構(gòu)建通常依賴于變量間的相關(guān)性或通過數(shù)據(jù)隱式學(xué)習(xí)生成，忽視了化工過程中的拓撲約束和機理特性。這種局限性使得模型難以直觀解釋變量間關(guān)系的物理意義，導(dǎo)致診斷結(jié)果在工程實踐中的可信度降低，阻礙了其廣泛應(yīng)用。
8、(2)結(jié)點特征對動態(tài)過程的時序信息利用不足。工業(yè)過程中的故障診斷依賴于準(zhǔn)確捕捉變量隨時間變化的動態(tài)特性。然而，現(xiàn)有g(shù)nn模型對時序特征的挖掘能力有限，通常缺乏專門設(shè)計的時序信息提取機制。這導(dǎo)致結(jié)點特征無法充分反映變量的時間依賴性和動態(tài)變化規(guī)律，削弱了模型對復(fù)雜動態(tài)故障的識別能力。
9、(3)多故障類型區(qū)分能力受限。工業(yè)過程中的變量關(guān)系呈現(xiàn)出多樣性和異構(gòu)性，不同故障類型可能對應(yīng)截然不同的變量關(guān)聯(lián)模式。然而，現(xiàn)有方法大多采用單一的圖結(jié)構(gòu)進行建模，缺乏對多種變量關(guān)系靈活建模的能力，從而限制了模型在多故障分類任務(wù)中的表現(xiàn)。
技術(shù)實現(xiàn)思路
1、為了克服現(xiàn)有技術(shù)存在的技術(shù)缺陷，本發(fā)明提出了一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。
2、為了解決現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明的技術(shù)方案如下：
3、本發(fā)明的第一方面，提供了一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，至少包括以下步驟：
4、步驟s1：搜集適用于故障診斷任務(wù)的工業(yè)數(shù)據(jù)，整理構(gòu)建成時序數(shù)據(jù)集；
5、步驟s2：為圖神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)備符合要求的輸入數(shù)據(jù)；
6、步驟s3：構(gòu)建過程拓撲和時間特征嵌入的圖神經(jīng)網(wǎng)絡(luò)模型，并在構(gòu)建的訓(xùn)練集上進行監(jiān)督訓(xùn)練；
7、步驟s4：加載訓(xùn)練完成的故障診斷模型，并在測試集上進行測試。
8、本發(fā)明的第二方面，提供了一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷設(shè)備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執(zhí)行所述程序時實現(xiàn)上述一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。
9、本發(fā)明的第三方面，提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序用于執(zhí)行上述一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。
10、與現(xiàn)有技術(shù)相比，本發(fā)明的益處是：
11、(1)本發(fā)明充分融合了來自過程知識的靜態(tài)結(jié)構(gòu)信息，以及從多傳感器時間序列數(shù)據(jù)中提取的動態(tài)特征，從而構(gòu)建出既包含顯式關(guān)系，也蘊含隱式過程關(guān)系的拓撲圖。
12、與現(xiàn)有技術(shù)相比，本發(fā)明有效克服了傳統(tǒng)方法過度依賴先驗知識或純數(shù)據(jù)驅(qū)動的問題，具有更好的可解釋性、魯棒性和故障診斷效果。
13、(2)本發(fā)明利用多傳感器信號數(shù)據(jù)中蘊含的時序數(shù)據(jù)，通過圖卷積神經(jīng)網(wǎng)絡(luò)映射到結(jié)點表示，從而促進時間信息在整個圖結(jié)構(gòu)上的傳遞，有效捕獲了多傳感器信號的時間依賴性。
1.一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述步驟s1具體包括：
3.根據(jù)權(quán)利要求1或2所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述拓撲圖構(gòu)建模塊中，過程拓撲層提取工藝流程圖中的先驗知識并構(gòu)建圖結(jié)構(gòu)的具體步驟包括：
4.根據(jù)權(quán)利要求3所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述數(shù)據(jù)感知層利用稀疏注意力機制提取邊之間的關(guān)系時，通過以下公式計算兩個變量xi和xj之間的關(guān)系：
5.根據(jù)權(quán)利要求3所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述知識增強圖嵌入層中，將基于數(shù)據(jù)每種類型的邊屬性特征和基于先驗知識提取出的邊屬性特征融合送入一類圖卷積層提取故障特征，經(jīng)過全局池化和局部池化得到融合后的帶有區(qū)分的故障特征。
6.根據(jù)權(quán)利要求1所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述分類層通過以下步驟輸出故障類別：
7.根據(jù)權(quán)利要求1或6所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，模型訓(xùn)練過程中，使用交叉熵損失函數(shù)作為目標(biāo)函數(shù)，并通過梯度下降算法優(yōu)化模型參數(shù)。
8.根據(jù)權(quán)利要求1或6所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法，其特征在于，所述測試步驟中，使用accuracy和f1分?jǐn)?shù)作為評估指標(biāo)，評估模型的故障診斷性能。
9.一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷設(shè)備，其特征在于包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執(zhí)行所述程序時實現(xiàn)權(quán)利要求1至8任一項所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。
10.一種計算機可讀存儲介質(zhì)，其特征在于所述存儲介質(zhì)存儲有計算機程序，所述計算機程序用于執(zhí)行上述權(quán)利要求1至8任一項所述的一種面向流程工業(yè)的圖神經(jīng)網(wǎng)絡(luò)故障診斷方法。