[发明专利]基于图神经网络的智能检测方法

权利要求书

1.一种基于图神经网络的智能检测方法，其特征在于：其包括如下步骤：

（1）、采集数据

电梯牵引马达这类部件的检测数据由硬件工具采集得到，得到的各项检测指标及检测结果为原始数据；

（2）、预处理

对原始数据进行清洗并转换成网络模型处理的标准格式数据，提供给步骤（4）；

（3）、搭建网络模型

网络模型整体包括对抗生成网络和图神经网络，所述图神经网络又包括输入层、特征图层、全连接层、迁移学习层、SoftMax输出层，所述对抗生成网络输出连接至图神经网络中的输入层；

所述对抗生成网络模型包括生成器和判别器，所述生成器负责生成真实数据，使得判别器将生成数据判别为真实数据；所述判别器负责判别真实数据和生成数据，需要区分真实数据和生成数据；所述对抗生成网络，输入为一个概率值，表示生成的检测数据对应部件是合格的概率，该对抗生成网络基于真实数据生成大量带标签的非结构化数据供图网络模型学习；

所述图神经网络中的特征图层位于前面的图层，利用节点自身及其邻居节点的节点序列进行加权求和，从而实现对局部信息的特征提取；所述图神经网络中的全连接层位于后面的层位，连接于特征图层的输出，实现对全局信息的特征提取；所述图神经网络中的迁移学习层拼接特征图层、全连接层，从而采用注意力机制融合局部信息和全局信息；所述图神经网络中的SoftMax层，位于最后层，负责具体的分类，输出该部件合格的概率；

（4）、预训练和迁移学习

基于标准格式数据，使用对抗生成网络生成了生成数据对网络模型进行预训练，之后再用标准格式数据对网络模型进行迁移学习；

（5）、预测

采用图神经网络模型对各项检测指标及检测结果进行学习、迁移学习，通过学习使得网络模型学习到检测指标间的关系及其对检测结果的影响程度；

（6）、抽检验证以完善整个预测系统

检测指标和预测结果都将被记录供后期抽检使用。

2.根据权利要求1所述的基于图神经网络的智能检测方法，其特征在于：步骤（1），针对电梯牵引马达部件样本检测的采集，包括九项指标，分别为温度、湿度、重量、体积、震动、寿命、成像、额定电流电压和最大扭矩力；所述温度，作为衡量部件运行状态的标准，需要在部件分别为待机状态以及运载状态下采用温度计进行检测并输出参数t；所述湿度，作为衡量部件内部环境的标准，采用湿度传感器输出参数m；所述重量，作为衡量部件是否安装完全的标准，采用电子重量仪输出参数w；所述体积，先采用度量尺寸，再进行各个面积测量，再根据体积分割并利用几何方程进行计算整个产品的体积，输出最终计算获得的体积参数v；所述震动，采用震动仪输出单位时间震动次数，拟合出频率曲线，输出震动频率f；所述寿命，在持续满负荷工作状态，间歇满负荷工作状态以及正常工作状态下，统计得到参数值a；所述成像i，作为衡量电梯牵引马达部件表面质量的指标，包括电梯牵引马达部件各个平面在多个光源照射下拍摄的图片；所述额定电流电压，作为衡量电梯牵引马达部件在不同电源下的负载能力，需要分别在额定电流电压为标准状态的80%、90%、100%、110%和120%下进行检测额定电流irj、额定电压vrj；所述最大扭矩力torquemax，用来衡量电梯牵引马达部件承受搭载人数的指标；样本采集还包括样本的标签，即一组检测数据对应的检测结果：合格Y/不合格N。

3.根据权利要求1所述的基于图神经网络的智能检测方法，其特征在于：步骤（2），所述数据预处理包括进行数据清洗、弥补缺失指标值，以及进行输入数据格式处理以适用于符合图卷积网络的数据格式。

4.根据权利要求1所述的基于图神经网络的智能检测方法，其特征在于：步骤（3），模型采用拉普拉斯矩阵对清洗后的数据进行描述；所述拉普拉斯矩阵是所有节点的度数对角矩阵减去邻接矩阵的差值矩阵，所述拉普拉斯矩阵中每个节点的值代表了对整个网络的影响权值大小。

5.根据权利要求1所述的基于图神经网络的智能检测方法，其特征在于：步骤（4），模型的训练共有两阶段，分别为预训练阶段和迁移学习阶段；预训练阶段，即用生成数据训练模型时，所有网络层的参数都将被更新；迁移学习阶段，即用真实数据更新模型时，固定前面的网络层，只更新后面网络层的参数。