一种基于故障时序知识图谱的装备剩余寿命预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115757813A(43)申请公布日2023.03.07(21)申请号202211333271.X(22)申请日2022.10.28(71)申请人浙江工业大学地址310014浙江省杭州市拱墅区潮王路18号(72)发明人张元鸣周伟跃肖刚程振波徐雪松陆佳炜王琪冰(74)专利代理机构杭州浙科专利事务所(普通合伙)33213专利代理师汤明(51)Int.Cl.G06F16/36(2019.01)G06N5/022(2023.01)G06Q10/04(2023.01)权利要求书3页说明书6页附图1页(54)发明名称一种基于故障时序知识图谱的装备剩余寿命预测方法(57)摘要本发明公开了一种基于故障时序知识图谱的装备剩余寿命预测方法，包括以下步骤：1)将装备部件、指标信息和时间信息进行深度融合，构建故障时序知识图谱；2)采用RGCN提取故障时序知识图谱在每个时刻的节点级特征；3)采用GMPool提取故障时序知识图谱在每个时刻的图级特征；4)采用Transformer预测故障时序知识图谱在下一刻的图级特征向量；5)根据预测的图级特征向量，与标注的数据集上进行迭代训练，生成装备的剩余使用寿命。本发明能够将利用装备时序特征和空间特征进行深度融合，利用图神经网络提高装备剩余寿命预测的预测结果。CN115757813ACN115757813A权利要求书1/3页1.一种基于故障时序知识图谱的装备剩余寿命预测方法，其特征在在于，包括以下步骤：1)故障时序知识图谱构建：从装备的组成部件、传感器指标以及时间数据中提取实体和关系，构建故障时序知识图谱；故障时序知识图谱是一个有向标签图Gt＝{t0，tn，E，R，τ}，其中E为实体集合，R为实体间的关系集合，τ为E×E→R|k的函数，表示时序知识图谱中的所有元组，k表示在时间段[t0，tn]按照时间先后排序的知识图谱三元组列表中两实体之间存在第k次的关系R；2)基于RGCN的节点级特征提取：故障时序知识图谱由一系列带时间标签的故障知识图谱构成，利用关系图卷积网络RGCN提取某一时刻故障知识图谱某一节点i的特征，基本方法是聚合节点i的所有邻居节点，得到节点i的特征向量hi，计算公式如下：(r)其中R为步骤(1)中定义的故障知识图谱的实体间的关系集合，Nvi表示与节点vi具有r关系的邻居集合，ci，r用来做归一化，Wr是具有r关系的邻居对应的权重参数，Wo是节点自身对应的权重参数；在提取节点特征时，先对同种关系的邻居单独聚合，且同时考虑关系的正反方向，也考虑自反关系，再对不同关系的邻居进行聚合，最后将前面两次的特征进行聚合，得到每个节点的特征向量，该特征向量是节点融合邻居节点特征之后在低维空间的向量表示；3)基于GMPool的图级特征提取：在提取节点级特征之后，利用图多集池化GMPool提取故障时序知识图谱在每一时刻图级的特征向量，计算公式如下：Pooling(H，A)＝GMPool1(SelfAtt(GMPoolk(H，A))，A′)(2)其中H是节点特征向量集合，A是故障知识图谱的邻接矩阵，A′是故障知识图谱的粗化邻接矩阵，用于在压缩节点时能够及时调整邻接信息；4)基于Transformer的图级特征向量预测：将每个时刻故障知识图谱的特征向量按照时间序列排列，建立故障知识图谱的时序特征向量该时序特征向量是时序故障知识图谱在低维空间中的向量表示；采用图Transformer提取图Ginput的时序特征，得到未来时刻的图特征向量表示利用预测得到的特征向量进行剩余寿命预测；5)剩余使用寿命训练与预测：根据未来时刻图级的特征向量计算剩余使用寿命，将图级的特征向量输入到一个全连接层，得到最终的剩余寿命预测结果采用RMSE损失函数，并通过Adam优化器来最小化损失函数，计算公式如下：2CN115757813A权利要求书2/3页其中，T是预测的时间跨度，n是用于训练和测试的装备数量，是第j台装备在时间ti的剩余寿命预测结果，是在时间ti的真实剩余寿命；不断迭代训练上述损失函数，得到最终的装备剩余寿命预测模型，将需要进行剩余寿命预测的装备时序知识图谱输入到上述模型，就会得到装备剩余寿命预测结果。2.根据权利要求1所述的一种基于故障时序知识图谱的装备剩余寿命预测方法，其特征在在于，所述步骤3)具体如下：3.1)采用GMPool算法以端到端的池化方式将故障知识图谱的指标节点和组件节点压缩成k个典型代表节点，计算公式如下：GMPoolk(H，A)＝LN(Z+rFF(Z))(4)其中LN是归一化层，rFF是任何行方向的前馈层，独立且相同地处理每行特征，Z的计算公式如下：Z＝LN(S+GMH(S，H，A))(5)其中S∈Rk×d是参数化的分簇种子矩阵，用于优化池化操作，GM