[发明专利]基于图神经网络的性能-故障关系图谱的推理方法和装置

权利要求书

1.一种基于图神经网络的性能-故障关系图谱的推理方法，其特征在于，包括：

根据FMEA构建航天器控制系统的性能-故障关系图谱；

基于历史故障案例，计算所述性能-故障关系图谱中各关系的亲密度；

基于所述性能-故障关系图谱中各关系的亲密度，采用图神经网络推理每个故障征兆对应的故障原因；

针对每个所述故障征兆，采用贝叶斯网络对当前故障征兆对应的故障原因进行融合，以得到当前故障征兆最终的推理结果；

所述性能-故障关系图谱中的三元组集合包括：部件-包含-功能模块、功能模块-发生-故障原因、故障原因-导致-故障模式、故障模式-表现-故障征兆、故障模式-引起-高一层影响、故障模式-引起-最终影响、故障模式-采取-预防和纠正措施；

所述计算所述性能-故障关系图谱中各关系的亲密度，包括：

对于功能模块-发生-故障原因的三元组集合，发生的亲密度为：

式中，P_k(H_p)表示考虑k个故障案例后计算得到的关系亲密度，D_p,i表示在第i个故障案例中故障原因p是否发生，若是则D_p,i＝1，否则D_p,i＝0；

对于故障原因-导致-故障模式的三元组集合，导致的亲密度为：

式中，P_k(H_q)表示考虑k个故障案例后计算得到的关系亲密度，U_q,i表示在第i个故障案例中故障模式是否由故障原因q引起，若是则U_q,i＝1，否则U_q,i＝0，P₀(H_q)＝1；

对于故障模式-表现-故障征兆的三元组集合，表现的亲密度通过层次分析法得到；

对于其它三元组集合，各关系的亲密度均设置为1；

所述表现的亲密度通过层次分析法得到，包括：

构造判断矩阵M＝(b_ij)；其中，定义b_ij表示当故障模式发生后，故障征兆u_i(i＝1,2,3…n)比故障征兆u_j(j＝1,2,3…n)变化大的程度，b_ij依据预设的取值表进行取值，n表示故障模式对应的故障征兆的个数；

求解所述判断矩阵M的特征根，找出最大特征根λ_max及其对应的特征向量并计算矩阵各行元素乘积的n次根：

对进行规范化处理，得到权重系数：

将得到的权重系数作为表现的亲密度；

所述基于所述性能-故障关系图谱中各关系的亲密度，采用图神经网络推理每个故障征兆对应的故障原因，包括：

步骤S1、利用TransE算法确定所述性能-故障关系图谱中各实体与关系的低维向量表示；

步骤S2、对于实体v，均匀随机地在所有邻居中采样K个邻居，并对邻居节点进行建模：

式中，N(v)表示实体v在所述性能-故障关系图谱中邻居实体的集合，a_i表示关系的亲密度，V_i表示实体v邻居的特征,K为选择的邻居个数；

步骤S3、针对所述性能-故障关系图谱中的每一个实体，融合当前实体特征V_v与其邻居特征V_N(v)，将获得的结果作为当前实体新的特征表示；

步骤S4、对所述性能-故障关系图谱的所有实体，对步骤S2和S3执行H次迭代，得到各实体的H阶实体特征；

步骤S5、对于最终得到的H阶实体特征，将故障征兆V_u^H和故障原因输入函数f得到最终的推理概率：

步骤S6、对所有故障原因遍历计算(i＝1,2,...,h,h为故障原因个数)，将最大的对应的故障原因作为推理原因。