[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

说明书

本发明公开了基于图神经网络的多源时序数据故障诊断方法和介质，针对于故障检测的系统，获取历史多源时序数据；并且对多源时序历史数据进行数据预处理得到训练样本，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；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后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。本发明采用图神经网络模型建立故障诊断模型，基于系统中获取到的多源时序数据进行故障诊断，多源时序数据具有两个维度特征，分别是时间维度的时序特征和多源数据相关性特征，本发明能够较佳的融合多源数据的相关性特征和时间维度的时序特征，能够有效的提高故障诊断的准确率和抗噪性。

技术领域

本发明属于智能故障诊断技术领域，特别涉及一种基于图神经网络的多源时序数据故障诊断方法和介质。

背景技术

大型系统的运行状态监测需要多传感器的协同工作。多传感器采集的多源时序数据为大型系统的故障诊断提供了信息基础：系统故障的发生与很多因素相关，多传感器采集的多源数据之间潜在有大量的有效关联信息，即系统故障的发生具有多源数据相关性；同时，系统故障的发生是一个渐变的过程，当前系统故障的发生与先前时间段系统的运行状态有着密切联系，即系统故障的发生具有时间相关性。

现有技术中，故障诊断方法一般包括基于数学模型的故障诊断、基于参数估计的故障诊断、基于信号处理的故障诊断、基于知识的故障诊断、基于神经网络的故障诊断等方法，其共性在于需要依据经验，手工设计和提取行故障诊断所需的故障特征；然而，人工设计故障特征具有适用性差、领域知识依赖性强、诊断准确性低等不足，因此，基于深度学习的智能故障诊断方法以其特征自动提取、准确性高等优点在大数据背景的故障诊断领域得到快速发展。

基于CNN(卷积神经网络)和LSTM(长短期记忆人工神经网络)的智能故障诊断应用广泛，能实现特征自动提取和故障分类诊断，但CNN和LSTM对多源数据的特征提取，一般采用多个CNN+LSTM分支的方式，每个分支分别提取单源数据特征后再进行多分支特征融合的处理方法，既弱化或丢失了多源数据之间的相关性特征，又增加了网络的复杂度，降低了故障诊断结果的准确性和效率。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于图神经网络的多源时序数据故障诊断方法，该方法能够较佳的融合多源数据的相关性特征和时间维度的时序特征，能够有效的提高故障诊断的准确率和抗噪性。

本发明的第二目的在于提供一种基于图神经网络的多源时序数据故障诊断装置。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于图神经网络的多源时序数据故障诊断方法，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；

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。

优选的，针对于多源时序历史数据和多源时序实时数据，进行数据预处理的过程如下：

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△T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：