[发明专利]基于图神经网络的半监督的冷水机组故障诊断方法及系统

权利要求书

1.一种基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，包括以下步骤：

S1：获取冷水机组的运行数据集，所述运行数据集包括带有标签的样本和未标记的样本，且每一个样本均包含其对应时刻的多种运行数据；

S2：计算运行数据集中各个样本间的距离，对于运行数据集的每一个样本，选取与其距离最近的前K个样本作为所述样本的邻居样本，建立所述样本与邻居样本之间的连接关系，并根据所述连接关系构造各个样本间的关联关系图；

S3：将所述关联关系图转化为图结构的邻接矩阵，并基于所述邻接矩阵构造以图神经网络为框架的故障诊断模型，使用运行数据集的样本及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，得到训练好的故障诊断模型；

S4：对训练好的故障诊断模型进行测试，并根据测试结果计算故障诊断模型的故障诊断准确率；

S5：将提高准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，直至达到预设的终止条件，输出最佳故障诊断准确率对应的最优邻居样本数量；并采用最优邻居样本数量对应的、训练好的故障诊断模型进行故障诊断。

2.根据权利要求1所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述多种运行数据包括：蒸发器出水温度TEO、冷凝器进水温度TWIC、蒸发器冷却速率EvapTons、传感器测量瞬时压缩机功率kW、计算性能系数COP、计算的压缩机效率kW/ton、蒸发器趋近温度TEA、冷凝器趋近温度TCA、蒸发器中制冷剂的压力PRE、冷凝器中制冷剂的压力PRC、来自冷凝器的液管制冷剂过冷TRC_sub、制冷剂吸入过热温度Tsh_suc、制冷剂排放过热温度Tsh_dis、油底壳中的油温TO_sump、进油温度TO_feed、供油压力PO_feed以及供油量减去排油压力PO_net。

3.根据权利要求2所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，在计算运行数据集中各个样本间的距离前，还包括以下步骤：

S11：对由S个传感器采集的，连续T个时刻的运行数据集X_m∈R^T×S进行预处理；

S12：对预处理后的运行数据集进行滑窗处理，假设窗口的大小为W，时间步长为L，经过滑窗处理后的运行数据集为X＝{x₁,x₂,…,x_n}∈R^S×m×n，其中，n为运行数据集X的元素个数，n＝(T-W)/L，x₁,x₂,...,x_n分别为运行数据集X中第1,第2,...,第n个元素；

S13：对滑窗处理后的运行数据集中的各个运行数据进行特征提取，采用皮尔逊相关性系数作为衡量数据间相关性的标准，其具体公式如下：

其中，n为样本数目，o，p为变量名称，通过相关性分析可得到一个对角线为1的相关性矩阵R＝{r₁₁,r₁₂,…,r_mm}，通过分析相关性矩阵，并结合变量的物理意义，筛选出m′个变量作为特征变量，将筛选后的运行数据进行主成分分析进行特征提取和去除变量间的相关性，得到处理后的运行数据集X_R＝{x_R1,x_R2,…,x_Rn}。

4.根据权利要求3所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述S11步骤具体为：

收集S个传感器连续T个时刻的采集的原始运行数据X_m∈R^T×S，对所述原始运行数据进行归一化、并采用拉依达准则检测归一化后的原始运行数据的全局异常值，采用层次聚类法检测归一化后的原始运行数据的局部异常值，采用隐马尔科夫模型和马哈拉诺比斯距离法检测归一化后的原始运行数据中的时空异常值，并将所述全局异常值、局部异常值以及时空异常值剔除，针对剔除后存在的数据缺失空位，采用基于热卡填补法从历史数据中找到一组与它最相似的的数据进行填补。