[发明专利]基于图神经网络的多源时序数据故障诊断方法和介质

权利要求书

1.一种基于图神经网络的多源时序数据故障诊断方法，其特征在于，包括：

S1、针对于故障检测的系统，获取多源时序历史数据；

S2、针对多源时序历史数据进行数据预处理，得到训练样本，具体为：

SA、数据同步处理：针对于获取到的多源时序历史数据或多源时序实时数据，对各数据源的时序数据同步采样，即按照设定时间间隔ΔT同步获取各数据源在同一时刻的采样值，得到同步时序数据集D：

其中，M是数据源的总个数，N是采样数据长度；其中表示：针对第k个数据源的时序数据进行采样时在时刻t采样到的数据，t₀为采样的起始时刻；

其中，采用均值插补法进行缺失值处理，用于获取各数据源在同一时刻的采样值；

SB、归一化处理：对同步时序数据集D中各数据源在不同时刻的数据采用min-max标准化处理，经过标准化处理后的数据集记为D^*；

SC、数据切片处理：数据切片处理定义为映射f_slice:且映射函数f(t)为：

f(t)＝D^*[t:t+d-1]；

t＝q*λ，q＝0,1,2,...,L-1；

其中，d为切片长度，λ为移动步长，N是采样数据长度；

数据集D^*经过上述切片处理后，得到长度为L的切片序列

其中：表示切片数据I_j中的第m组数据，该组数据中包括标准化处理后的多个数据源同一时刻的数据；

S3、通过训练样本对图神经网络模型进行训练，得到故障诊断模型；

S4、针对于要检测故障的系统，获取多源时序实时数据，并且进行数据预处理；

S5、将多源时序实时数据预处理后的结果输入到故障诊断模型，通过故障诊断模型输出系统的故障诊断结果。

2.根据权利要求1所述的基于图神经网络的多源时序数据故障诊断方法，其特征在于，步骤S2中，多源时序历史数据进行数据预处理后，将得到的切片序列作为训练样本，各训练样本的标签为多源时序历史数据中最后一组数据获取时，系统对应的故障情况。

3.根据权利要求1所述的基于图神经网络的多源时序数据故障诊断方法，其特征在于，步骤S4中，获取的多源时序实时数据为系统在之前某时刻到当前时刻T的实时数据；在数据同步采样处理后，得到各数据源在第T-(N-1)ΔT时刻、第T-(N-2)ΔT时刻，…，第T-ΔT时刻、第T时刻的数据采样值，构成了多源时序实时数据对应的同步时序数据集D；然后经过步骤SB和SC处理后得到切片序列将切片序列作为输入到故障诊断模型，通过故障诊断模型输出系统的故障诊断结果。

4.根据权利要求1所述的基于图神经网络的多源时序数据故障诊断方法，其特征在于，所述图神经网络模型包括输入层、图构造层、GNN层和softmax层；其中：

输入层，用于输入多源时序历史数据或多源时序实时数据预处理后的切片时序数据集

图构造层，用于构造GNN层计算所需的图节点V和连接矩阵A；

GNN层，用于根据所述图节点V和连接矩阵A，计算并更新图中每个节点的节点隐藏状态，并基于此计算每个结点的输出，其中：

GNN节点隐藏状态更新：

GNN节点输出：

其中，为节点i的M维节点特征值，e_k为邻接节点k的M维节点特征值，N_i为节点i的邻接节点集合，A_i,k为连接矩阵A中节点i与邻接节点k的边权，表示垂直连接，和为可学习权重矩阵；

softmax层，用于执行运算y＝softmax(O)，其中表示对应样本的故障诊断预测概率，O为GNN层的输出向量，并根据预测概率的大小输出故障诊断结果。