(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210435711.6 (22)申请日 2022.04.24 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 童子阳　阎威武　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06V 10/84(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 17/11(2006.01) (54)发明名称 基于先验知识的工业故障诊断方法和系统 (57)摘要 本发明提供了一种基于先验知识的工业故 障诊断方法和系统， 包括： 步骤1： 利用符号有向 图进行建模， 构建工业知识的拓扑先验 图； 步骤 2： 通过图卷积网络提取输入数据图结构中的局 部特征； 步骤3： 构建统计量进行故障诊断； 步骤 4： 在图卷积网络的基础上， 使用图卷积长短时记 忆循环神经网络， 学习到工业数据中的动态时间 特性， 进行故障预测； 步骤5： 将图卷积与长短时 记忆网络结合， 与SDG建模一起封装成微服务装 置， 以微服务的方式实现工业系统的故障诊断以 及故障预测。 本发明微服务的灵活应用使得该方 法使用灵活、 有广阔的应用范围。 权利要求书2页 说明书6页 附图2页 CN 114782788 A 2022.07.22 CN 114782788 A 1.一种基于先验知识的工业故障诊断方法， 其特 征在于， 包括： 步骤1： 利用符号有向图进行建模， 构建工业知识的拓扑 先验图； 步骤2： 通过图卷积网络提取输入数据图结构中的局部特 征； 步骤3： 构建统计量进行故障诊断； 步骤4： 在图卷积网络的基础上， 使用图卷积长短时记忆循环神经网络， 学习到工业数 据中的动态时间特性， 进行故障预测； 步骤5： 将图卷积与长短时记忆网络结合， 与SD G建模一起封装成微服务装置， 以微服务 的方式实现工业系统的故障诊断以及故障预测。 2.根据权利要求1所述的基于先验知识 的工业故障诊断方法， 其特征在于， 所述步骤1 包括： 先列出工业系统的变量和相关部件， 将变量作为模型的节点并进行定义； 然后依据经验知识确定变量之间的相互作用关系， 得 出影响方程组； 最后由影响方程组建立SD G模型， 并利用工业数据对SDG进行验证、 修正， 最终得到工业 过程SDG图。 3.根据权利要求1所述的基于先验知识 的工业故障诊断方法， 其特征在于， 所述步骤2 包括： 图卷积网络的输入是一张完整的图， 在第 一个卷积层对图中每个节点的邻居节点进行 一次卷积运算， 得到的结果对该节点进 行更新， 接着利用激活函数进 行非线性映射； 重复上 述过程， 构建深度图卷积网络模型； 邻域矩阵A、 输入数据xt以及可训练的权重矩阵W的乘积视为提取一阶领域特征的图卷 积算子Gt＝AxtW作为图卷积的局部特 征。 4.根据权利要求1所述的基于先验知识 的工业故障诊断方法， 其特征在于， 所述步骤3 包括： 定义图卷积网络的局部特征所张成的空间， 称为特征子空间， 根据特征的统计分布特 性， 基于局部特 征Gt， 在特征子空间下构造 H2统计量进行假设检验， 表达式为： H2＝GtTGt 对于任意输入样本， H2代表局部 特征的平方和， 用来表 达特征空间的统计分数据对应的 隐层特征以预设高概率落在该分布中； 对于不符合预设条件测试数据， 相应的隐层特征会 偏离特征空间， 进 而导致H2偏离该分布。 5.根据权利要求1所述的基于先验知识 的工业故障诊断方法， 其特征在于， 所述步骤4 包括： 将图卷积的感受野从一阶邻域拓展到k阶领域， 定义 一种k阶图卷积算子： 其中，⊙为Hadamard乘积算子， 即逐元素矩阵乘法算子； xt表示工业过程k时间步各变量 组成的向量； 表示k阶领域矩阵； 为k阶图卷积的可训练权重矩 阵； Gtk表示提取的k阶图卷积特 征； 不同阶数的领域对应不同的图卷积特征， 将不同阶数领域中提取到的图卷积特征拼接 到一起： 作为预测网络的输入。权　利　要　求　书 1/2 页 2 CN 114782788 A 26.一种基于先验知识的工业故障诊断系统， 其特 征在于， 包括： 模块M1： 利用符号有向图进行建模， 构建工业知识的拓扑 先验图； 模块M2： 通过图卷积网络提取输入数据图结构中的局部特 征； 模块M3： 构建统计量进行故障诊断； 模块M4： 在图卷积网络的基础上， 使用图卷积长短时记忆循环神经网络， 学习到工业数 据中的动态时间特性， 进行故障预测； 模块M5： 将图卷积与长短时记忆网络结合， 与SDG建模一起封装成微服务装置， 以微服 务的方式实现工业系统的故障诊断以及故障预测。 7.根据权利要求6所述的基于先验知识的工业故障诊断系统， 其特征在于， 所述模块M1 包括： 先列出工业系统的变量和相关部件， 将变量作为模型的节点并进行定义； 然后依据经验知识确定变量之间的相互作用关系， 得 出影响方程组； 最后由影响方程组建立SD G模型， 并利用工业数据对SDG进行验证、 修正， 最终得到工业 过程SDG图。 8.根据权利要求6所述的基于先验知识的工业故障诊断系统， 其特征在于， 所述模块M2 包括： 图卷积网络的输入是一张完整的图， 在第 一个卷积层对图中每个节点的邻居节点进行 一次卷积运算， 得到的结果对该节点进 行更新， 接着利用激活函数进 行非线性映射； 重复上 述过程， 构建深度图卷积网络模型； 邻域矩阵A、 输入数据xt以及可训练的权重矩阵W的乘积视为提取一阶领域特征的图卷 积算子Gt＝AxtW作为图卷积的局部特 征。 9.根据权利要求6所述的基于先验知识的工业故障诊断系统， 其特征在于， 所述模块M3 包括： 定义图卷积网络的局部特征所张成的空间， 称为特征子空间， 根据特征的统计分布特 性， 基于局部特 征Gt， 在特征子空间下构造 H2统计量进行假设检验， 表达式为： H2＝GtTGt 对于任意输入样本， H2代表局部 特征的平方和， 用来表 达特征空间的统计分数据对应的 隐层特征以预设高概率落在该分布中； 对于不符合预设条件测试数据， 相应的隐层特征会 偏离特征空间， 进 而导致H2偏离该分布。 10.根据权利要求6所述的基于先验知识的工业故障诊断系统， 其特征在于， 所述模块 M4包括： 将图卷积的感受野从一阶邻域拓展到k阶领域， 定义 一种k阶图卷积算子： 其中，⊙为Hadamard乘积算子， 即逐元素矩阵乘法算子； xt表示工业过程k时间步各变量 组成的向量； 表示k阶领域矩阵； 为k阶图卷积的可训练权重矩 阵； Gtk表示提取的k阶图卷积特 征； 不同阶数的领域对应不同的图卷积特征， 将不同阶数领域中提取到的图卷积特征拼接 到一起： 作为预测网络的输入。权　利　要　求　书 2/2 页 3 CN 114782788 A 3