JP7004364B1 - 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 PDFInfo
- Publication number
- JP7004364B1 JP7004364B1 JP2021136415A JP2021136415A JP7004364B1 JP 7004364 B1 JP7004364 B1 JP 7004364B1 JP 2021136415 A JP2021136415 A JP 2021136415A JP 2021136415 A JP2021136415 A JP 2021136415A JP 7004364 B1 JP7004364 B1 JP 7004364B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- source
- failure diagnosis
- layer
- time
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010002352 Interleukin-1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
Description
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。
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、
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
SC、データスライス処理:データスライス処理は、
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
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
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、
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
そのうち、第一層GNNは、それぞれスライス序列
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。
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。
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。
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。
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。
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。
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
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
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
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、
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
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。
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。
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。
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、
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、
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
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、
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
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。
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。
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。
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。
Claims (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方法であって、計算機器が、
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み、
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、
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
SC、データスライス処理:データスライス処理は、
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*は上記データスライス処理を経た後、長さがLであるスライス序列
- 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
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。 - 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
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、
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。 - 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
そのうち、第一層GNNは、それぞれスライス序列
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4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。 - 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。
- 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1~6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。 - 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1~6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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637583.0 | 2020-12-31 | ||
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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7004364B1 true JP7004364B1 (ja) | 2022-01-21 |
JP2022105263A 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) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114673246A (zh) * | 2022-03-31 | 2022-06-28 | 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 |
CN114961949A (zh) * | 2022-05-09 | 2022-08-30 | 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 |
CN114992138A (zh) * | 2022-06-13 | 2022-09-02 | 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 |
CN115051929A (zh) * | 2022-06-20 | 2022-09-13 | 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 |
CN115266141A (zh) * | 2022-07-29 | 2022-11-01 | 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 |
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 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 |
CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 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 |
CN115758173A (zh) * | 2022-11-16 | 2023-03-07 | 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 |
CN116502172A (zh) * | 2023-06-29 | 2023-07-28 | 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 |
CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
CN116910493A (zh) * | 2023-09-12 | 2023-10-20 | 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 |
CN117153188A (zh) * | 2023-08-29 | 2023-12-01 | 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 |
CN117235465A (zh) * | 2023-11-15 | 2023-12-15 | 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 |
CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 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 |
CN117574327A (zh) * | 2023-12-14 | 2024-02-20 | 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 |
Families Citing this family (5)
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 |
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 |
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 |
CN117636253A (zh) * | 2023-11-30 | 2024-03-01 | 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 |
CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 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 |
Citations (1)
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)
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 |
-
2020
- 2020-12-31 CN CN202011637583.0A patent/CN112783940B/zh active Active
-
2021
- 2021-08-24 JP JP2021136415A patent/JP7004364B1/ja active Active
Patent Citations (1)
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)
Title |
---|
Honda Shion,GNNまとめ(1): GCNの導入,Qiita [online],2020年06月25日,[検索日 2021.11.08], インターネット:<URL:https://qiita.com/shionhonda/items/d27b8f13f7e9232a4ae5> |
Zonghan Wu ほか,Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks,arXiv.org [online],v1,2020年05月24日,[検索日 2021.11.08], インターネット:<URL:https://arxiv.org/abs/2005.11650v1> |
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],日本,情報処理学会,2019年03月08日,Vol. 2019-IOT-44, No.52,pp.1-7,ISSN:2188-8787 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114673246A (zh) * | 2022-03-31 | 2022-06-28 | 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 |
CN114961949A (zh) * | 2022-05-09 | 2022-08-30 | 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 |
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 |
CN114992138A (zh) * | 2022-06-13 | 2022-09-02 | 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 |
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 |
CN115051929A (zh) * | 2022-06-20 | 2022-09-13 | 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 |
CN115266141A (zh) * | 2022-07-29 | 2022-11-01 | 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 |
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 |
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 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 |
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 |
CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 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 |
CN115758173A (zh) * | 2022-11-16 | 2023-03-07 | 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 |
CN116502172A (zh) * | 2023-06-29 | 2023-07-28 | 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 |
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 |
CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
CN117153188A (zh) * | 2023-08-29 | 2023-12-01 | 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 |
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 |
CN116910493A (zh) * | 2023-09-12 | 2023-10-20 | 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 |
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 |
CN117235465A (zh) * | 2023-11-15 | 2023-12-15 | 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 |
CN117574327A (zh) * | 2023-12-14 | 2024-02-20 | 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 |
CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112783940B (zh) | 2023-06-09 |
CN112783940A (zh) | 2021-05-11 |
JP2022105263A (ja) | 2022-07-13 |
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 | |
CN111933188B (zh) | 一种基于卷积神经网络的声音事件检测方法 | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN111538076A (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
CN111898644A (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 | |
Poh et al. | LSTM and HMM comparison for home activity anomaly detection | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN112668438A (zh) | 红外视频时序行为定位方法、装置、设备及存储介质 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN114925238A (zh) | 一种基于联邦学习的视频片段检索方法及系统 | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
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 | |
AU2012264478A1 (en) | Heterogeneous data fusion using gaussian processes | |
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 | |
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 | |
CN111242003A (zh) | 一种基于多尺度受约束自注意机制的视频显著性物体检测的方法 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
KR20190134308A (ko) | 합성곱 신경망을 활용한 데이터 확장방법 및 장치 | |
CN115168327A (zh) | 基于多层树状长短期记忆网络的大规模数据时空预测方法 | |
CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
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 |
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 |