JP2022105263A - グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 - Google Patents

グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 Download PDF

Info

Publication number
JP2022105263A
JP2022105263A JP2021136415A JP2021136415A JP2022105263A JP 2022105263 A JP2022105263 A JP 2022105263A JP 2021136415 A JP2021136415 A JP 2021136415A JP 2021136415 A JP2021136415 A JP 2021136415A JP 2022105263 A JP2022105263 A JP 2022105263A
Authority
JP
Japan
Prior art keywords
data
source
failure diagnosis
source timing
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021136415A
Other languages
English (en)
Other versions
JP7004364B1 (ja
Inventor
科 ▲チー▼
Ke Qi
文康 李
Wenkang Li
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Application granted granted Critical
Publication of JP7004364B1 publication Critical patent/JP7004364B1/ja
Publication of JP2022105263A publication Critical patent/JP2022105263A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法、マルチソースタイミングデータ故障診断装置、記憶媒体及び計算機器を提供する。【解決手段】方法は、故障検出のシステムに対して、マルチソースタイミング履歴データを取得することと、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得ることと、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行った後、故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力することとを含む。【選択図】図１

Description

本発明は、スマートな故障診断技術分野に関し、特にグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体に関する。
大規模システムの作動状態モニタリングは、マルチセンサの協同動作が必要である。マルチセンサにより収集したマルチソースタイミングデータは、大規模システムの故障診断のために情報ベースを提供し、システム故障の発生は、複数の要素と相関し、マルチセンサにより収集したマルチソースデータの間には、大量の有効関連情報が潜在的に存在し、即ち、システム故障の発生は、マルチソースデータ相関性を有し、同時に、システム故障の発生は、段階的変化の過程であり、現在のシステム故障の発生は、事前期間のシステムの作動状態と密接関係があり、即ち、システム故障の発生は、時間相関性を有する。
従来技術では、一般的には、故障診断方法は、数学モデルに基づく故障診断、パラメータ推定に基づく故障診断、信号処理に基づく故障診断、知識に基づく故障診断、ニューラルネットワークに基づく故障診断などの方法を含み、その共通性は、経験に基づいて、故障診断を行うために必要な故障特徴を人工で設計し、抽出する必要があることである。しかしながら、人工設計故障特徴は、適用性が悪く、領域知識依頼性が強く、診断正確性が低いなどの不足があるため、深層学習に基づくスマートな故障診断方法は、その特徴自動抽出、正確性が高いなどの利点で、ビッグデータバックグラウンドの故障診断分野で迅速に発展されている。
ＣＮＮ（コンボリューショナルニューラルネットワーク）とＬＳＴＭ（長短期記憶ニューラルネットワーク）に基づくスマートな故障診断は、広く応用されており、特徴自動抽出と故障分類診断を実現することができるが、ＣＮＮとＬＳＴＭのマルチソースデータに対して特徴抽出は、一般的に、複数のＣＮＮ＋ＬＳＴＭ分岐方式、各分岐がそれぞれシングルソースデータ特徴を抽出してから多分岐特徴融合の処理方法を採用し、マルチソースデータの間の相関性特徴を弱化又は損失した以上、ネットワークの複雑度を増加させ、故障診断結果の正確性と効率を低下させた。
本発明の第一の目的は、従来技術の欠点と不足を克服するためのグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を提供することである。この方法は、マルチソースデータの相関性特徴と時間次元のタイミング特徴を比較的によく融合することができ、故障診断の正解率とノイズ耐性を効果的に向上させることができる。
本発明の第二の目的は、グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断装置を提供することである。
本発明の第三の目的は、記憶媒体を提供することである。
本発明の第四の目的は、計算機器を提供することである。
本発明の第一の目的は、以下の技術案によって実現される。
グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法であって、
Ｓ１、故障検出のシステムに対して、マルチソースタイミング履歴データを取得することと、
Ｓ２、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得ることと、
Ｓ３、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得ることと、
Ｓ４、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行うことと、
Ｓ５、マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力することとを含む。
好ましくは、マルチソースタイミング履歴データとマルチソースタイミングリアルタイムデータに対して、データ前処理を行うプロセスは、以下のとおりである。
ＳＡ、データ同期処理：取得したマルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータに対して、各データソースのタイミングデータを同期サンプリングし、即ち、設定時間間隔△Ｔに従って各データソースの同じ時刻でのサンプリング値を同期取得し、同期タイミングデータセットＤを得、
Figure 2022105263000002
 そのうち、Ｍはデータソースの総個数であり、Ｎはサンプリングデータ長さであり、そのうち、
Figure 2022105263000003
 はｋ番目のデータソースのタイミングデータに対してサンプリングを行うときに、時刻ｔでサンプリングされたデータを表し、ｔ０はサンプリングの開始時点であり、
そのうち、平均値補間法を用いて欠損値処理を行い、各データソースの同じ時刻でのサンプリング値を取得するために用いられ、
ＳＢ、正規化処理：同期タイミングデータセットＤにおける各データソースの異なる時刻でのデータ
Figure 2022105263000004
 に対してｍｉｎ－ｍａｘを用いて正規化処理し、正規化処理後のデータセットをＤ＊と記し、
ＳＣ、データスライス処理：データスライス処理は、
Figure 2022105263000005
 をマッピングし、且つ関数ｆ（ｔ）を
Figure 2022105263000006
 にマッピングすることに定義され、
そのうち、ｄはスライス長さであり、λは移動ステップサイズであり、Ｎはサンプリングデータ長さであり、
データセットＤ＊は上記スライス処理を経た後、長さがＬであるスライス序列
Figure 2022105263000007
 スライスデータＩｊにおけるｍ組目データを表し、この組データには、正規化処理後の複数のデータソースの同じ時刻でのデータを含む。
さらに、ステップＳ２では、マルチソースタイミング履歴データに対してデータ前処理を行った後に、得られたスライス序列
Figure 2022105263000008
 をトレーニングサンプルとし、各トレーニングサンプルのラベルが各スライス序列の最後の組のデータに対応するシステム故障状況である。
さらに、ステップＳ４では、取得したマルチソースタイミングリアルタイムデータは、システムが前のある時刻から現在の時刻Ｔまでのリアルタイムデータであり、データ同期サンプリング処理後、各データソースがＴ－（Ｎ－１）△Ｔ番目時刻、Ｔ－（Ｎ－２）△Ｔ番目時刻，…，Ｔ－△Ｔ番目時刻、Ｔ番目時刻のデータサンプリング値を得、マルチソースタイミングリアルタイムデータに対応する同期タイミングデータセットＤを構成し、その後、ステップＳＢとステップＳＣ処理を経た後、スライス序列
Figure 2022105263000009
 を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。
さらに、前記グラフニューラルネットワークモデルは、入力層、グラフ構造層、ＧＮＮ層とｓｏｆｔｍａｘ層を含み、そのうち、
入力層は、マルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータ前処理後のスライスタイミングデータセット
Figure 2022105263000010
 を入力するためのものであり、
グラフ構造層は、ＧＮＮ層計算に必要なグラフノードＶと接続マトリクスＡを構築するためのものであり、
ＧＮＮ層は、前記グラフノードＶと接続マトリクスＡに基づいて、グラフにおける各ノードのノード隠蔽状態を計算して更新し、これに基づいて各ノードの出力を計算するためのものであり、そのうち、
Figure 2022105263000011
 そのうち、
Figure 2022105263000012
 ｓｏｆｔｍａｘ層は、演算ｙ＝ｓｏｆｔｍａｘ（Ｏ）を実行するためのものであり、そのうち、ｙは対応なサンプルの故障診断予測確率を表し、ＯはＧＮＮ層の出力ベクトルであり、また、予測確率の大きさに応じて故障診断結果を出力する。
さらに、前記ＧＮＮ層は二層であり、それぞれ第一層ＧＮＮと第二層ＧＮＮであり、
そのうち、第一層ＧＮＮのグラフノードＶ１＝（Ｖ１，Ｖ２，．．．，Ｖｄ）は、各スライスデータＩｊにおけるすべての組のデータ
Figure 2022105263000013
 からなり、合計ｄ個のノードがあり、各ノードのノード特徴は、各スライスデータにおける各組データに対応し、各データソースの同じ時刻でのデータサンプリング値を表し、接続マトリクスＡは、ノードと隣接ノードとの間の時間次元相関作用関係を表すために用いられ、時間次元に沿って前後隣接する三つのノードとの間のエッジ接続を構築し、正規化エッジ重みを付与して接続マトリクスを得、
そのうち、第一層ＧＮＮは、それぞれスライス序列
Figure 2022105263000014
 における各スライスデータＩｊに対して計算を行い、埋め込みベクトルＯｊ（ｊ＝１，２，．．．，Ｌ）を出力し、出力された埋め込みベクトルＯｊを第二層ＧＮＮの入力とし、
第二層ＧＮＮのグラフノードＶ２＝（Ｏ１，Ｏ２，．．．，ＯＬ）であり、Ｌは、スライス序列長さであり、ノード特徴は、埋め込みベクトルから構成され、各スライスの収束特徴ベクトルを表し、第二層ＧＮＮにおける接続マトリクスＡは、第一層ＧＮＮの接続マトリクスＡと同じであり、
第二層ＧＮＮは、第一層ＧＮＮの出力に対して計算を行い、融合ベクトルＯを出力し、Ｏをｓｏｆｔｍａｘ層の出力とする。
好ましくは、ステップＳ３では、グラフニューラルネットワークモデルに対してトレーニングを行うプロセスにおいて、モデルトレーニングアルゴリズムとしてＡｌｍｅｉｄａ－Ｐｉｎｅｄａアルゴリズムを採用し、最適化されたコスト関数は、クロスエントロピー関数を選択する。
本発明の第二の目的は、以下の技術案によって実現される。
グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断装置であって、
故障検出のシステムに対して、マルチソースタイミング履歴データを取得するための第一のデータ取得モジュールと、
マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得るための第一のデータ処理モジュールと、
トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得るためのモデル構築モジュールと、
故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行うための第二のデータ処理モジュールと、
マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力するための故障診断モジュールとを含む。
本発明の第三の目的は、以下の技術案によって実現される。
プログラムが記憶される記憶媒体であって、前記プログラムがプロセッサによって実行される時、本発明の第一の目的に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる、ことを特徴とする。
本発明の第四の目的は、以下の技術案によって実現される。
プロセッサと、プロセッサ実行可能なプログラムを格納するためのメモリとを含む計算機器であって、
メモリに記憶されるプログラムが前記プロセッサによって実行される時、本発明の第一の目的に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる、ことを特徴とする。
本発明は、従来技術に対して、以下の利点及び有益な効果を有する。
本発明のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法は、まず、故障検出のシステムに対して、マルチソースタイミング履歴データを取得し、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行った後、故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。以上から分かるように、本発明は、グラフニューラルネットワークモデルを用いて故障診断モデルを構築し、また、本発明は、システムにおける取得したマルチソースタイミングデータに基づいてシステムの故障判定を行い、そのうち、マルチソースタイミングデータは、二つの次元特徴を有し、一つは、時間次元のタイミング特徴であり、マルチソースデータの異なる時刻での状態を記述し、もう一つは、マルチソースデータ相関性特徴であり、同一時刻でマルチソースデータの間の相互関係を記述する。このため、本発明の故障診断モデルは、マルチソースデータの相関性特徴と時間次元のタイミング特徴を比較的によく融合することができ、故障診断の正解率とノイズ耐性を効果的に向上させることができる。
本発明の故障診断方法のフローチャートである。 本発明の故障診断方法におけるデータ前処理概略図である。 本発明の故障診断方法における故障診断モデル構造概略図である。 本発明の故障診断方法におけるグラフニューラルネットワークモデルで得られた接続マトリクス図である。
以下、実施例及び図面を結び付けながら、本発明をさらに詳細に説明するが、本発明の実施形態はこれらに限定されない。
実施例１：
本実施例は、グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を開示し、この方法は、システムの動作状態に対して検出を行う時、複数のセンサが検出したデータを取得し、これらのデータに基づき、システムに対する故障検出を実現することができる。そのうち、システムは、風力発電システム、地下鉄デバイスモニタシステム、回路デバイスモニタシステムなどであってもよく、システム検出に対して関連データを収集するセンサは、温度センサ、湿度センサ、振動センサ、赤外線センサ、レーザセンサ、張力センサ、重力センサ、速度センサ、加速度センサ、超音波センサ、変位センサ、電流センサ、電圧センサ、煙感知センサなどを含む。
図１に示すように、本実施例の故障診断検出方法の具体的なステップは、以下のとおりである。
Ｓ１、故障検出のシステムに対して、マルチソースタイミング履歴データを取得する。
本実施例では、システム上の様々なタイプのセンサが各時間帯内で検出された履歴データを取得することができ、それによりマルチソースタイミング履歴データを構成する。マルチソースデータは、温度センサが収集した温度データ、湿度センサが収集した湿度データ、振動センサが収集した振動データ、赤外線センサが収集した赤外温度データ、レーザセンサが収集した距離データ、張力センサが収集した張力データ、重力センサが収集した重力データ、速度センサが収集した速度データ、加速度センサが収集した加速度データ、超音波センサが収集した超音波データ、変位センサが収集した変位データ、電流センサが収集した電流データ、電圧センサが収集した電圧データ、煙感知センサが収集した煙濃度データを含むが、それらに限らない。
Ｓ２、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得る。
本実施例では、複数のマルチソースタイミング履歴データを取得し、各マルチソースタイミング履歴データに対してそれぞれ前処理を行った後、複数のトレーニングサンプルを得ることができる。そのうち、マルチソースタイミング履歴データに対してデータ前処理を行うプロセスは、具体的には、ステップＳＡ～ＳＣに示すとおりである。
ＳＡ、データ同期処理：各データソースのタイミングデータに対して同期サンプリングを行い、即ち、設定時間間隔△Ｔに従って各データソースの同じ時刻でのサンプリング値を同期取得し、同期タイミングデータセットＤを得、
Figure 2022105263000015
 そのうち、Ｍはデータソースの総個数であり、Ｎはサンプリングデータ長さであり、そのうち、
Figure 2022105263000016
 はｋ番目のデータソースのタイミングデータに対してサンプリングを行うときに、時刻ｔでサンプリングされたデータを表し、ｔ０はサンプリングの開始時点である。
本実施例では、同期タイミングデータセットＤは、合計Ｍ列があり、それぞれＭ個のデータソースに対応し、各列のデータは、同一データソースが異なる時刻、即ち、ｔ０、ｔ０＋△Ｔ、ｔ０＋２△Ｔ，．．．，，ｔ０＋（Ｎ－１）×△Ｔ時刻でのサンプリング値を表し、例えば、同期タイミングデータセットＤにおける１列目データは、各要素がそれぞれ、１番目データソースがそれぞれｔ０、ｔ０＋△Ｔ、ｔ０＋２△Ｔ，．．．，，ｔ０＋（Ｎ－１）×△Ｔ時刻を表すサンプリング値に対応する。同期タイミングデータセットＤは、合計Ｎ行があり、それぞれＮ個のサンプリング時刻、即ち、ｔ０からｔ０＋（Ｎ－１）×△Ｔまでの時刻に対応し、各行データは、異なるデータソースが同じ時刻でのサンプリング値に対応し、例えば、同期タイミングデータセットＤの１行目データは、各要素がそれぞれ、１，２，…，Ｍ番目のデータソースが時刻ｔ０でのサンプリング値に対応する。もちろん、同期タイミングデータセットＤは、必ずしも上記データフォーマットである必要はなく、行と列のデータを入換えたものであってもよい。
本ステップでは、平均値補間法を用いて欠損値処理を行い、各データソースの同じ時刻でのサンプリング値を取得するために用いられる。
ＳＢ、正規化処理：同期タイミングデータセットＤにおける各データソースの異なる時刻でのデータ、即ち、上記ステップＳＡで得られたデータセットＤにおける各列データ
Figure 2022105263000017
 に対して、ｍｉｎ－ｍａｘを用いて正規化処理し、正規化処理後のデータセットをＤ＊と記し、図２に示すように、メッシュは、正規化処理後に得られたデータセットＤ＊を表し、各行は、一つの収集サンプル（異なるデータソース（ソース１，ソース２，…，ソースＭ）の同じ時刻でのサンプリング値）を表し、各列は、同一データソースの時間軸上の変化（同一データソースの異なる時刻でのサンプリング値）を表し、最後の列は、サンプルのラベル値である。
ＳＣ、データスライス処理：データスライス処理は、
Figure 2022105263000018
 にマッピングすることに定義され、
そのうち、ｄはスライス長さであり、λは移動ステップサイズであり、Ｎはサンプリングデータ長さであり、本実施例では、スライス長さの値取り範囲は［２０，１００］であり、移動ステップサイズλの値取り範囲は［２，５］であり、
データセットＤ＊は上記スライス処理を経た後、長さがＬであるスライス序列
Figure 2022105263000019
 そのうち、
Figure 2022105263000020
 はスライスデータＩｊにおけるｍ組目データを表し、この組データには、正規化処理後の複数のデータソースの同じ時刻でのデータを含み、一つのスライスデータＩｊには、ｄ組データを含み、対応するスライス長さはｄである。図２に示すように、ステップＳＡにおける同期タイミングデータセットＤのフォーマットに基づき、ｑ＝０の場合、対応するスライスデータＩ０を得、Ｉ０はデータセットＤ＊における１行目からｄ行目までの合計ｄ行のデータを含み、即ち、スライス長さはｄに対応する。
Figure 2022105263000021
 はスライスデータＩｊにおけるｍ行目データを表し、例えば、ＩｊがＩ０である場合、
Figure 2022105263000022
 は、データセットＤ＊の１行目からｄ行目までのデータにおけるｍ行目データを表す。
本実施例では、マルチソースタイミング履歴データがステップＳＡ～ステップＳＣ処理を経た後、ステップＳＣで示される長さがＬであるスライス序列
Figure 2022105263000023
 をトレーニングサンプリングとし、即ち、各トレーニングサンプリングには、Ｌ個のスライスデータを含み、それぞれスライスデータＩ０，Ｉ１，．．．，Ｉｊ，．．．，ＩＬ－１であり、本実施例では、マルチソースタイミング履歴データにおける最後の組のデータの取得時に、システムに対応する故障状況をトレーニングサンプリングのラベルとし、図２に示すように、マルチソースタイミング履歴データにおける最後の一行データの取得時に、システムに対応する故障状況をトレーニングサンプリングのラベルとする。
Ｓ３、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得る。本実施例では、グラフニューラルネットワークモデルに対してトレーニングを行うプロセスにおいて、モデルトレーニングアルゴリズムとしてＡｌｍｅｉｄａ－Ｐｉｎｅｄａアルゴリズムを採用し、最適化されたコスト関数は、クロスエントロピー関数を選択する。
Ｓ４、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行う。
本実施例では、マルチソースタイミングリアルタイムデータのデータ前処理のプロセスは、上記ステップＳＡ～ステップＳＣに示すとおりであり、ここでは説明を省略する。本実施例では、取得したマルチソースタイミングリアルタイムデータは、システムが前のある時刻から現在の時刻Ｔまでのリアルタイムデータであり、データ同期サンプリング処理後、各データソースがＴ－（Ｎ－１）△Ｔ番目時刻、Ｔ－（Ｎ－２）△Ｔ番目時刻，…，Ｔ－△Ｔ番目時刻、Ｔ番目時刻、合計Ｎ個のデータサンプリング値を得、即ち、現在時刻Ｔ時刻は、ステップＳＡにおけるｔ０＋（Ｎ－１）×△Ｔ時刻に対応し、各データソースには、合計Ｎ個のサンプリング値を含み、すべてのデータソースのＮ個サンプリング値は、マルチソースタイミングリアルタイムデータに対応する同期タイミングデータセットＤを構成し、同期タイミングデータセットＤは、ステップＳＢとステップＳＣ処理を経た後、スライス序列
Figure 2022105263000024
 には、Ｌ個スライスデータを含み、各スライスデータは、ｄ行データを含む。
Ｓ５、マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。本実施例では、ステップＳ４で得られたスライス序列
Figure 2022105263000025
 を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。
本実施例では、図３に示すように、上記ステップで用いられるグラフニューラルネットワークモデルは、入力層、グラフ構造層、ＧＮＮ層とｓｏｆｔｍａｘ層を含み、そのうち、
入力層は、マルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータ前処理後のスライスタイミングデータセット
Figure 2022105263000026
 を入力するためのものであり、
グラフ構造層は、ＧＮＮ層計算に必要なグラフノードＶと接続マトリクスＡを構築するためのものであり、
ＧＮＮ層は、前記グラフノードＶと接続マトリクスＡに基づいて、グラフにおける各ノードのノード隠蔽状態を計算して更新し、これに基づいて各ノードの出力を計算するためのものであり、そのうち、
Figure 2022105263000027
 そのうち、
Figure 2022105263000028
 は、学習可能ウェイト行列である。
ｓｏｆｔｍａｘ層は、演算ｙ＝ｓｏｆｔｍａｘ（Ｏ）を実行するためのものであり、そのうち、ｙは対応なサンプルの故障診断予測確率を表し、ＯはＧＮＮ層の出力ベクトルであり、また、予測確率の大きさに応じて故障診断結果を出力する。
本実施例では、ＧＮＮ層は二層であり、それぞれ第一層ＧＮＮと第二層ＧＮＮであり、
そのうち、第一層ＧＮＮのグラフノードＶ１＝（Ｖ１，Ｖ２，．．．，Ｖｄ）は、各スライスデータＩｊにおけるデータ、即ち、すべての行のデータ
Figure 2022105263000029
 からなり、合計ｄ個のノードがあり、各ノードのノード特徴は、行値から構成され、各スライスデータにおける各行データに対応し、各データソースの同じ時刻でのデータサンプリング値を表し、接続マトリクスＡは、ノードと隣接ノードとの間の時間次元相関作用関係を表すために用いられ、時間次元に沿って前後隣接する三つのノードとの間のエッジ接続を構築し、図４に示すように、正規化エッジ重みを付与して接続マトリクスＡを得、そのうち、ｄが７である場合、ノード１～ノード７を含むことに対応し、得られた接続マトリクスＡは、以下のとおりである：
Figure 2022105263000030
 上記接続マトリクスＡは、図４中の左側表に対応する。
そのうち、本実施例では、第一層ＧＮＮは、それぞれスライス序列
Figure 2022105263000031
 における各スライスデータＩｊに対して計算を行い、埋め込みベクトルＯｊ（ｊ＝１，２，．．．，Ｌ）を出力し、出力された埋め込みベクトルＯｊを第二層ＧＮＮの入力とし、
第二層ＧＮＮのグラフノードＶ２＝（Ｏ１，Ｏ２，．．．，ＯＬ）であり、Ｌは、スライス序列長さであり、ノード特徴は、埋め込みベクトルから構成され、各スライスの収束特徴ベクトルを表し、第二層ＧＮＮにおける接続マトリクスＡは、第一層ＧＮＮの接続マトリクスＡと同じであり、
第二層ＧＮＮは、第一層ＧＮＮの出力に対して計算を行い、融合ベクトルＯを出力し、Ｏをｓｏｆｔｍａｘ層の出力とする。
本実施例では、ステップＳ３で故障診断モデルの構築が完成した後、最適化されたメッシュを介して故障診断モデルのハイパーパラメータを検索決定することができ、移動ステップサイズ、スライス長さを含み、そのうち、移動ステップサイズの初期値は２であり、値取り範囲は［２，５］であり、スライス長さの初期値は３０であり、値取り範囲は［２０，１００］である。本実施例のハイパーパラメータを選択する時、最適なハイパーパラメータを取得するまで、異なるハイパーパラメータ値によってモデルに対して評価を行う。
本実施例では、正解率関数を用いて、故障診断モデルの性能を評価することができる。Ｎ′をテストセットのサンプル総数、Ｉ（ｘ）を指標関数とし、ｘが真である場合、その戻り値は１であり、ｘが偽である場合、その戻り値は０である。故障診断モデルのテストセットに対する評価正解率は、
Figure 2022105263000032
 に定義されており、
そのうち、ｙｉはｉ番目のサンプル予測値であり、ｉ ｌａｂｅｌ（ｉ）はｉ番目のサンプルラベル値である。
当業者であれば理解できるように、本実施例の方法における全部又は一部ステップを実現することは、プログラムによって関連するハードウェアを指令することにより完成してもよく、相応なプログラムはコンピュータ可読記憶媒体に記憶されてもよい。なお、添付図面において特定の順序で本実施例１の方法動作を説明したが、これらの動作は該特定の順序で実行されなければならないことを要求又は暗示するわけではなく、又は図示されたすべて動作を実行しなければ所望の結果を実現できない。逆に、記述されたステップは実行順序を変更してもよく、あるステップは、同時に実行されてもよい。追加的又は代替的に、なんらかのステップを省略してもよく、複数のステップを一つのステップとして統合して実行してもよく、及び／又は一つのステップを複数のステップに分解して実行してもよい。
実施例２
本実施例は、第一のデータ取得モジュールと、第一のデータ処理モジュールと、モデル構築モジュールと、第二のデータ処理モジュールと、故障診断モジュールとを含むグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断装置を開示する。各モジュールによって実現される機能は、以下のとおりである。
第一のデータ取得モジュールは、故障検出のシステムに対して、マルチソースタイミング履歴データを取得するために用いられ、
第一のデータ処理モジュールは、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得るために用いられ、
モデル構築モジュールは、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得るために用いられ、
第二のデータ処理モジュールは、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行うために用いられ、
故障診断モジュールは、マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力するために用いられる。
さらに、第一のデータ処理モジュール及び第二のデータ処理モジュールの両方は、
データを同期処理するためのデータ同期処理モジュールであって、具体的には、取得したマルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータに対して、各データソースのタイミングデータを同期サンプリングし、即ち、設定時間間隔△Ｔに従って各データソースの同じ時刻でのサンプリング値を同期取得し、同期タイミングデータセットＤを得、
Figure 2022105263000033
そのうち、Ｍはデータソースの総個数であり、Ｎはサンプリングデータ長さであり、そのうち、
Figure 2022105263000034
 はｋ番目のデータソースのタイミングデータに対してサンプリングを行うときに、時刻ｔでサンプリングされたデータを表し、ｔ０はサンプリングの開始時点である、データ同期処理モジュールと、
データに対して正規化処理を行うための正規化処理モジュールであって、具体的には、同期タイミングデータセットＤにおける各データソースの異なる時刻でのデータ
Figure 2022105263000035
 に対してｍｉｎ－ｍａｘを用いて正規化処理し、正規化処理後のデータセットをＤ＊と記す、正規化処理モジュールと、
データセットＤ＊に対してデータスライス処理を行うためのデータスライスモジュールであって、本実施例では、データスライス処理は、
Figure 2022105263000036
 にマッピングすることに定義され、
そのうち、ｄはスライス長さであり、λは移動ステップサイズであり、Ｎはサンプリングデータ長さであり、
データセットＤ＊は上記スライス処理を経た後、長さがＬであるスライス序列
Figure 2022105263000037
 はスライスデータＩｊにおけるｍ組目データを表し、この組データには、正規化処理後の複数のデータソースの同じ時刻でのデータを含む、データスライスモジュールとを含む。
本実施例の上記各モジュールの具体的な実現は、上記実施例１を参照してもよく、ここでは説明を省略する。説明すべきことは、本実施例による装置は、上記各機能モジュールの分割のみを例に挙げて説明したが、実際応用では、前述した機能の全部又は一部を完成させるために、必要に応じて、上記機能分配を異なる機能モジュールによって完成させてもよく、即ち、内部構造を異なる機能モジュールに分割する。
実施例３：
本実施例は、プログラムが記憶される記憶媒体を開示し、前記プログラムがプロセッサによって実行される時、実施例１に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる。具体的には、以下のとおりである。
故障検出のシステムに対して、マルチソースタイミング履歴データを取得し、
マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得、
トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得、
故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行い、
マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。
上記内容の具体的な動作プロセスは、実施例１における説明に示すとおりであり、ここでは説明を省略する。
本実施例では、記憶媒体は、磁気ディスク、光ディスク、コンピュータメモリ、読み取り専用メモリ（ＲＯＭ、Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ランダムアクセスメモリ（ＲＡＭ、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、Ｕディスク、リムーバブルハードディスクなどの媒体であってもよい。
実施例４：
本実施例は、計算機器を開示する。この計算機器は、プロセッサと、プロセッサ実行可能なプログラムを格納するためのメモリとを含み、メモリに記憶されるプログラムが前記プロセッサによって実行される時、実施例１に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる、ことを特徴とする。具体的には、以下のとおりである。
故障検出のシステムに対して、マルチソースタイミング履歴データを取得し、
マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得、
トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得、
故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行い、
マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する。
上記内容の具体的な動作プロセスは、実施例１における説明に示すとおりであり、ここでは説明を省略する。
本実施例では、計算機器はデスクトップコンピュータ、ノートパソコン、スマートフォン、ＰＤＡ携帯端末、タブレット等の端末装置であってもよい。
以上説明したように本発明は、グラフニューラルネットワークモデルを用いて故障診断モデルを構築し、且つシステムのセンサが取得したマルチソースタイミングデータに基づいてシステムの故障判定を行い、そのうち、マルチソースタイミングデータは、二つの次元特徴を有し、一つは、時間次元のタイミング特徴であり、マルチソースデータの異なる時刻での状態を記述し、もう一つは、マルチソースデータ相関性特徴であり、同一時刻でマルチソースデータの間の相互関係を記述する。このため、本発明の故障診断モデルは、マルチソースデータの相関性特徴と時間次元のタイミング特徴を比較的によく融合することができ、故障診断の正解率とノイズ耐性を効果的に向上させることができる。
上記実施例は、本発明の好適な実施例であるが、本発明の実施形態は上記実施例に限定されるものではなく、本発明の技術的思想内及び原理下で行われる他の任意の変形、修飾、置換、組み合わせ、簡略化は、いずれも等価の置換方式であり、いずれも本出願の保護範囲内に含まれる。

Claims (10)

  1. グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法であって、
    Ｓ１、故障検出のシステムに対して、マルチソースタイミング履歴データを取得することと、
    Ｓ２、マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得ることと、
    Ｓ３、トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得ることと、
    Ｓ４、故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行うことと、
    Ｓ５、マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力することとを含む、ことを特徴とするグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  2. マルチソースタイミング履歴データとマルチソースタイミングリアルタイムデータに対して、データ前処理を行うプロセスは、以下のとおりであり、
    ＳＡ、データ同期処理：取得したマルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータに対して、各データソースのタイミングデータを同期サンプリングし、即ち、設定時間間隔△Ｔに従って各データソースの同じ時刻でのサンプリング値を同期取得し、同期タイミングデータセットＤを得、
    Figure 2022105263000038
     そのうち、Ｍはデータソースの総個数であり、Ｎはサンプリングデータ長さであり、そのうち、
    Figure 2022105263000039
     はｋ番目のデータソースのタイミングデータに対してサンプリングを行うときに、時刻ｔでサンプリングされたデータを表し、ｔ０はサンプリングの開始時点であり、
    そのうち、平均値補間法を用いて欠損値処理を行い、各データソースの同じ時刻でのサンプリング値を取得するために用いられ、
    ＳＢ、正規化処理：同期タイミングデータセットＤにおける各データソースの異なる時刻でのデータ
    Figure 2022105263000040
     に対してｍｉｎ－ｍａｘを用いて正規化処理し、正規化処理後のデータセットをＤ＊と記し、
    ＳＣ、データスライス処理：データスライス処理は、
    Figure 2022105263000041
     をマッピングし、且つ関数ｆ（ｔ）を
    Figure 2022105263000042
     にマッピングすることに定義され、
    そのうち、ｄはスライス長さであり、λは移動ステップサイズであり、Ｎはサンプリングデータ長さであり、
    データセットＤ＊は上記スライス処理を経た後、長さがＬであるスライス序列
    Figure 2022105263000043
     そのうち、
    Figure 2022105263000044
     はスライスデータＩｊにおけるｍ組目データを表し、この組データには、正規化処理後の複数のデータソースの同じ時刻でのデータを含む、ことを特徴とする請求項１に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  3. ステップＳ２では、マルチソースタイミング履歴データに対してデータ前処理を行った後に、得られたスライス序列
    Figure 2022105263000045
     をトレーニングサンプルとし、各トレーニングサンプルのラベルが各スライス序列の最後の組のデータに対応するシステム故障状況である、ことを特徴とする請求項２に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  4. ステップＳ４では、取得したマルチソースタイミングリアルタイムデータは、システムが前のある時刻から現在の時刻Ｔまでのリアルタイムデータであり、データ同期サンプリング処理後、各データソースがＴ－（Ｎ－１）△Ｔ番目時刻、Ｔ－（Ｎ－２）△Ｔ番目時刻，…，Ｔ－△Ｔ番目時刻、Ｔ番目時刻のデータサンプリング値を得、マルチソースタイミングリアルタイムデータに対応する同期タイミングデータセットＤを構成し、その後、ステップＳＢとステップＳＣ処理を経た後、スライス序列
    Figure 2022105263000046
     を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力する、ことを特徴とする請求項２に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  5. 前記グラフニューラルネットワークモデルは、入力層、グラフ構造層、ＧＮＮ層とｓｏｆｔｍａｘ層を含み、そのうち、
    入力層は、マルチソースタイミング履歴データ又はマルチソースタイミングリアルタイムデータ前処理後のスライスタイミングデータセット
    Figure 2022105263000047
     を入力するためのものであり、
    グラフ構造層は、ＧＮＮ層計算に必要なグラフノードＶと接続マトリクスＡを構築するためのものであり、
    ＧＮＮ層は、前記グラフノードＶと接続マトリクスＡに基づいて、グラフにおける各ノードのノード隠蔽状態を計算して更新し、これに基づいて各ノードの出力を計算するためのものであり、そのうち、
    Figure 2022105263000048
     そのうち、
    Figure 2022105263000049
     は、学習可能ウェイト行列であり、
    ｓｏｆｔｍａｘ層は、演算ｙ＝ｓｏｆｔｍａｘ（Ｏ）を実行するためのものであり、そのうち、ｙは対応なサンプルの故障診断予測確率を表し、ＯはＧＮＮ層の出力ベクトルであり、また、予測確率の大きさに応じて故障診断結果を出力する、ことを特徴とする請求項２に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  6. 前記ＧＮＮ層は二層であり、それぞれ第一層ＧＮＮと第二層ＧＮＮであり、
    そのうち、第一層ＧＮＮのグラフノードＶ１＝（Ｖ１，Ｖ２，．．．，Ｖｄ）は、各スライスデータＩｊにおけるすべての組のデータ
    Figure 2022105263000050
     からなり、合計ｄ個のノードがあり、各ノードのノード特徴は、各スライスデータにおける各組データに対応し、各データソースの同じ時刻でのデータサンプリング値を表し、接続マトリクスＡは、ノードと隣接ノードとの間の時間次元相関作用関係を表すために用いられ、時間次元に沿って前後隣接する三つのノードとの間のエッジ接続を構築し、正規化エッジ重みを付与して接続マトリクスを得、
    そのうち、第一層ＧＮＮは、それぞれスライス序列
    Figure 2022105263000051
     における各スライスデータＩｊに対して計算を行い、埋め込みベクトルＯｊ（ｊ＝１，２，．．．，Ｌ）を出力し、出力された埋め込みベクトルＯｊを第二層ＧＮＮの入力とし、
    第二層ＧＮＮのグラフノードＶ２＝（Ｏ１，Ｏ２，．．．，ＯＬ）であり、Ｌは、スライス序列長さであり、ノード特徴は、埋め込みベクトルから構成され、各スライスの収束特徴ベクトルを表し、第二層ＧＮＮにおける接続マトリクスＡは、第一層ＧＮＮの接続マトリクスＡと同じであり、
    第二層ＧＮＮは、第一層ＧＮＮの出力に対して計算を行い、融合ベクトルＯを出力し、Ｏをｓｏｆｔｍａｘ層の出力とする、ことを特徴とする請求項５に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  7. ステップＳ３では、グラフニューラルネットワークモデルに対してトレーニングを行うプロセスにおいて、モデルトレーニングアルゴリズムとしてＡｌｍｅｉｄａ－Ｐｉｎｅｄａアルゴリズムを採用し、最適化されたコスト関数は、クロスエントロピー関数を選択する、ことを特徴とする請求項１に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法。
  8. グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断装置であって、
    故障検出のシステムに対して、マルチソースタイミング履歴データを取得するための第一のデータ取得モジュールと、
    マルチソースタイミング履歴データに対してデータ前処理を行い、トレーニングサンプルを得るための第一のデータ処理モジュールと、
    トレーニングサンプルを介してグラフニューラルネットワークモデルに対してトレーニングを行い、故障診断モデルを得るためのモデル構築モジュールと、
    故障検出対象システムに対して、マルチソースタイミングリアルタイムデータを取得し、データ前処理を行うための第二のデータ処理モジュールと、
    マルチソースタイミングリアルタイムデータ前処理後の結果を故障診断モデルに入力し、故障診断モデルによりシステムの故障診断結果を出力するための故障診断モジュールとを含む、ことを特徴とするグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断装置。
  9. プログラムが記憶される記憶媒体であって、
    前記プログラムがプロセッサによって実行される時、請求項１～７のいずれか１項に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる、ことを特徴とする記憶媒体。
  10. プロセッサと、プロセッサ実行可能なプログラムを格納するためのメモリとを含む計算機器であって、
    メモリに記憶されるプログラムが前記プロセッサによって実行される時、請求項１～７のいずれか１項に記載のグラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法を実現させる、ことを特徴とする計算機器。
JP2021136415A 2020-12-31 2021-08-24 グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 Active JP7004364B1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011637583.0A CN112783940B (zh) 2020-12-31 2020-12-31 基于图神经网络的多源时序数据故障诊断方法和介质
CN202011637583.0 2020-12-31

Publications (2)

Publication Number Publication Date
JP7004364B1 JP7004364B1 (ja) 2022-01-21
JP2022105263A true JP2022105263A (ja) 2022-07-13

Family

ID=75754968

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021136415A Active JP7004364B1 (ja) 2020-12-31 2021-08-24 グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体

Country Status (2)

Country Link
JP (1) JP7004364B1 (ja)
CN (1) CN112783940B (ja)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114298507A (zh) * 2021-12-17 2022-04-08 欣旺达电子股份有限公司 锂电池失效判定方法、模型生成方法、设备及存储介质
CN114673246B (zh) * 2022-03-31 2024-07-02 成都工贸职业技术学院 一种污水管道防堵塞测量方法及其测量系统
CN114961949B (zh) * 2022-05-09 2024-01-16 潍柴动力股份有限公司 Scr系统的故障诊断方法、装置、设备和介质
CN114992138B (zh) * 2022-06-13 2024-03-26 湘潭大学 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法
CN115051929B (zh) * 2022-06-20 2023-05-26 湖北工业大学 基于自监督目标感知神经网络的网络故障预测方法及装置
CN115266141B (zh) * 2022-07-29 2024-05-14 广汽本田汽车有限公司 基于gru-c网络的点焊质量检测方法、装置及存储介质
CN115453580A (zh) * 2022-09-13 2022-12-09 广东汇天航空航天科技有限公司 Gnss传感器的故障诊断方法、装置、导航系统及交通工具
CN115585842B (zh) * 2022-09-30 2024-07-23 浙江浙能绍兴滨海热电有限责任公司 一种基于发电生产环保专业的尿素水解系统综合监测算法
CN115509789B (zh) * 2022-09-30 2023-08-11 中国科学院重庆绿色智能技术研究院 一种基于组件调用分析的计算系统故障预测方法和系统
CN115755833B (zh) * 2022-11-02 2024-09-17 重庆长安汽车股份有限公司 一种基于历史数据的云诊断车辆phm的方法、系统、电子设备及程序产品
CN115494349B (zh) * 2022-11-04 2023-04-07 国网浙江省电力有限公司金华供电公司 有源配电网单相接地故障区段定位方法
CN115712064B (zh) * 2022-11-07 2024-02-06 华能威海发电有限责任公司 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法
CN115758173B (zh) * 2022-11-16 2023-09-26 西华大学 基于并联图注意力网络的云平台系统异常检测方法及装置
CN116502172B (zh) * 2023-06-29 2023-09-01 青岛义龙包装机械有限公司 一种袋式包装机故障智能诊断方法及系统
CN116561229B (zh) * 2023-07-03 2023-09-08 厦门泛卓信息科技有限公司 一种基于图神经网络的数据同步方法、装置及存储介质
CN116699297B (zh) * 2023-08-08 2023-10-27 江西驴充充充电技术有限公司 充电桩检测系统及其方法
CN117153188B (zh) * 2023-08-29 2024-05-28 安徽理工大学 一种基于声音频率的变功率设备故障分析方法及装置
CN116910493B (zh) * 2023-09-12 2023-12-08 山东能源数智云科技有限公司 基于多源特征提取的设备故障诊断模型的构建方法及装置
CN117235465B (zh) * 2023-11-15 2024-03-12 国网江西省电力有限公司电力科学研究院 一种基于图神经网络录波分析的变压器故障类型诊断方法
CN117636253B (zh) * 2023-11-30 2024-07-16 江苏圣创半导体科技有限公司 一种智能灯故障识别方法及系统
CN117574327B (zh) * 2023-12-14 2024-07-23 盐城市崇达石化机械有限公司 一种压裂泵故障检测方法、系统及存储介质
CN117450688B (zh) * 2023-12-26 2024-03-29 山东历控能源有限公司 一种基于物联网的烟气余热回收能源调度管理方法及系统
CN117972533B (zh) * 2024-03-29 2024-06-18 北京易智时代数字科技有限公司 一种工业设备的数据处理方法、装置及设备
CN118133144B (zh) * 2024-05-06 2024-07-12 成都赛力斯科技有限公司 基于图神经网络的车辆故障诊断方法、装置、设备及介质
CN118199182B (zh) * 2024-05-17 2024-08-09 国网山东省电力公司青岛供电公司 基于分布式能源适应性的虚拟电厂分层控制方法及系统
CN118378036B (zh) * 2024-06-21 2024-10-18 杭州广立微电子股份有限公司 故障检测方法、装置、计算机设备以及存储介质
CN118509745B (zh) * 2024-07-17 2024-09-17 深圳市鸿升光通讯设备有限公司 一种基于分布式系统olt设备的线卡管理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430602B2 (en) * 2002-12-20 2008-09-30 Qualcomm Incorporated Dynamically provisioned mobile station and method therefor
CN104297637B (zh) * 2014-10-31 2015-09-02 国家电网公司 综合利用电气量和时序信息的电力系统故障诊断方法
CN111079931A (zh) * 2019-12-27 2020-04-28 浙江大学 一种基于图神经网络的状态空间概率性多时间序列预测方法
CN111461392B (zh) * 2020-01-23 2022-06-17 华中科技大学 一种基于图神经网络的电力故障预测方法及系统
CN111863231B (zh) * 2020-07-07 2022-11-11 广东技术师范大学天河学院 一种基于多源算法融合的智能自诊系统
CN112149730B (zh) * 2020-09-22 2022-06-10 中南大学 一种基于油样视觉的高速列车轴承故障预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONDA SHION: "ＧＮＮまとめ(1): ＧＣＮの導入", QIITA [ONLINE], JPN6021044969, 25 June 2020 (2020-06-25), ISSN: 0004641362 *
ZONGHAN WU ほか: "Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks", ARXIV.ORG [ONLINE], vol. v1, JPN6021044971, 24 May 2020 (2020-05-24), ISSN: 0004641363 *
熊谷将也 ほか: "侵入検知システムのためのグラフ構造に基づいた機械学習および可視化", 情報処理学会研究報告 インターネットと運用技術（ＩＯＴ）［ＯＮＬＩＮＥ］, vol. Vol. 2019-IOT-44, No.52, JPN6021044970, 8 March 2019 (2019-03-08), JP, pages 1 - 7, ISSN: 0004641361 *

Also Published As

Publication number Publication date
CN112783940A (zh) 2021-05-11
JP7004364B1 (ja) 2022-01-21
CN112783940B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
JP7004364B1 (ja) グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体
Zhang et al. Temperature Forecasting via Convolutional Recurrent Neural Networks Based on Time‐Series Data
JP6384065B2 (ja) 情報処理装置、学習方法、及び、プログラム
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN111898644B (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
CN115841004B (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN111008337A (zh) 一种基于三元特征的深度注意力谣言鉴别方法及装置
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN115587335A (zh) 异常值检测模型的训练方法、异常值检测方法及系统
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN103810266A (zh) 语义网络目标识别判证方法
CN116451848A (zh) 一种基于时空注意力机制的卫星遥测数据预测方法及装置
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
Liu et al. An anomaly detection method based on double encoder–decoder generative adversarial networks
CN117459374A (zh) 一种故障诊断方法、装置、设备及计算机存储介质
CN117454266A (zh) 一种多元时间序列异常检测模型
CN117041972A (zh) 基于信道-时空注意自编码的车联网传感器异常检测方法
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN116719002A (zh) 定量降水估计方法、装置、电子设备及计算机存储介质
CN116975123A (zh) 结合图结构学习与图注意力网络的多维时序异常检测方法
CN116960954A (zh) 短期风电功率预测方法、装置、存储介质及计算机设备
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210824

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210824

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211206

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211214

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211222

R150 Certificate of patent or registration of utility model

Ref document number: 7004364

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150