[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

说明书

本发明公开了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，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；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。将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。

技术领域

本发明涉及故障诊断技术领域，更具体的说是涉及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。

背景技术

目前，氧气顶吹转炉是顶吹熔炼系统的关键设备，其安全性对于在整个顶吹炉系统中处于核心地位，如果不能对该设备故障进行早期预警，并在故障发生时能迅速定位故障，可能会产生无法估量的后果。为了避免故障造成的重大事故、巨大经济损失，往往会使用人工的方式对设备进行预防性维护或者在系统中设置阈值对设备运行的状态进行监控。

但是，人工维护的方式效率低下，而设置阈值的方式又无法发现设备的早期微小故障。然而CNN可以从多个传感器源中自动提取特征，但无法在不丢失关键信息的情况下提取空间和时间特征。目前图神经网络在故障诊断领域的应用通常需要依赖其他算法初步确定样本之间的关系，进而构建图。

因此，提出一种基于历史数据的图拓扑结构构建方法，传统深度学习算法对数据量高度依赖，图卷积神经网络中图不易于扩展是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了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，将有标签样本和无标签样本有规律地连接在一起，通过引入图注意力机制计算得到先验知识库与无标签样本之间相似程度；由于模型实现故障诊断的方式是通过对比先验知识库与无标签样本之间的相似程度，所以新加入的样本不完全依赖于图的拓扑结构，解决了图卷积神经网络不易于扩展的问题，只有少量有效数据的条件下，相比其他算法具有更好的故障诊断精度。

为了实现上述目的，本发明采用如下技术方案：

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，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；

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。

优选的，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。

优选的，所述步骤S2具体包括：