[发明专利]一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法

权利要求书

1.一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，包括以下步骤：

S1、获取待处理样本，去除样本噪声，对样本建模，得到完全图；

S2、基于完全图，构建先验知识库与图的拓扑结构；所述步骤S2具体包括：

取不同标签下的样本各个，把具有相同标签的样本相互连接，形成一个簇，构成该标签下的先验知识库，将其余样本分别与先验知识库中的样本进行连接，得到先验知识库与图的拓扑结构；以未标注样本为结构的中心，先验知识库中所有的样本与中心的样本相互连接；

S3、构建PGAT模型，并对其进行训练；

S4、基于训练后的PGAT模型进行故障诊断；

所述步骤S3具体包括：

S31、设GATs的输入为节点特征的集合其中，N为节点的数量，F为节点的特征维度，l为模型的层数，获取节点特征的隐藏层，基于图注意力层对节点的特征进行线性变换，其权重矩阵为得到隐藏层的特征合集为

S32、设中心节点为v_i，v_i到邻居节点v_j的权重系数为：

其中，为中心节点v_i的邻居节点的集合，a(·)为计算两个节点相关度的函数；

S32、计算图中任意一个节点到中心节点v_i的权重系数，将其限制在一阶邻居内，对权重系数进行归一化处理：

设a(·)为单层的反向传播神经网络，其参数为权重向量

S33、基于LeakyReLu函数，增加模型的非线性，则优化后的权重系数为：

其中，||为连接操作；

S34、节点依据下式对信息进行聚合：

引入多头注意力机制，稳定注意力机制的学习过程，即设置K组相互独立的注意力机制，除最后一层外，把每一个头聚合得到的向量拼接起来：

将K个头的信息进行聚合，使用线性整流函数增加其非线性，基于平均化的方式对多头信息进行聚合：

2.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S1具体包括：

S11、采用滑动窗口，分割一维振动信号，得到待处理样本；

S12、对待处理样本进行短时傅里叶变换，出去样本中的噪声；

S13、将变换后得到的样本进行建模，样本中包含多个数值，每个数值对应一个节点，节点构成完全图，即每个样本对应一个完全图，具有对应的度矩阵和邻接矩阵，所以，拉普拉斯矩阵L定义为：

其中，V∈R^N×N为正交矩阵，v_i为L的特征向量，称其为图信号上的傅里叶基，其对应的特征向量λ_i为图信号的频率，分解得到的频率λ_i代替原样本称为新的样本。

3.根据权利要求1所述的一种基于图神经网络的氧气顶吹转炉小样本故障诊断方法，其特征在于，所述步骤S4具体包括：

PGAT模型在完成训练后，每一层会得到一个线性变换矩阵W，该矩阵与第i个节点的特征相乘得到该节点的隐藏特征；由于PGAT每一层共享矩阵W的参数，通过同一个矩阵W计算该层任何一个节点的隐藏特征；基于公式(2)，任意两个节点之间的权重系数以两个节点的隐藏特征作为输入，将其输入进评分函数中，即公式(3)；增加模型的非线性，使用激活函数LeakyReLU，通过公式(4)将中心节点与其邻居节点之间的分数做归一化处理，使得计算得到的分数具有可比性，在完成分数的计算之后，中心节点i聚合其邻居节点的特征，该聚合过程如公式(6)，若正在聚合的层是模型的最后一层，则对多头取平均值，并经由softmax函数计算每种故障的概率值，取获得最大概率值的类别为最终的诊断结果。