[发明专利]基于图神经网络的智能检测方法

摘要

本发明提供了一种基于图神经网络的智能检测方法，其包括如下步骤：采集数据、预处理、搭建网络模型、预训练和迁移学习、预测和抽检验证以完善整个预测系统；相比于人工检测，本发明提高了部件检测的准确率以及效率，减少了人为因素对检测的干预，降低了人工成本和检测成本。相比于传统机器学习方法，图神经网络不要求数据的组成形式必须具有良好的空间关系，即具有排列齐整的矩阵形式，其可以接受非结构化输入的特点显著提升了模型的表达能力。相比于卷积神经网络方法，图神经网络可以更好地学习各元素的逻辑关系，从而提高模型的泛化能力。在网络的学习过程中，每个节点负责传播自身的信息以及综合邻居节点的信息，从而学习掌握数据的逻辑范式。

主权项

1.一种基于图神经网络的智能检测方法，其特征在于：其包括如下步骤：(1)、采集数据电梯牵引马达这类部件的检测数据由硬件工具采集得到，得到的各项检测指标及检测结果为原始数据；(2)、预处理对原始数据进行清洗并转换成网络模型可以处理的标准格式数据，提供给步骤(4)；(3)、搭建网络模型本发明网络模型整体包括对抗生成网络和图神经网络，所述图神经网络又包括输入层、若干特征图层、若干全连接层、迁移学习层、SoftMax输出层，所述对抗生成网络输出连接至图神经网络中的输入层；所述条件对抗网络模型包括生成器和判别器，所述生成器负责生成尽可能真实的数据，使得判别器将生成数据判别为真实数据；所述判别器负责判别真实数据和生成数据，需要尽可能区分真实数据和生成数据；所述条件对抗生成网络，输入为一个概率值，表示生成的检测数据对应部件是合格的概率，该条件对抗生成网络基于真实数据生成大量带标签的非结构化数据供图网络模型学习；所述图神经网络中的特征图层位于前面的几层，利用某节点自身及其邻居节点的节点序列进行加权求和，从而实现对局部信息的特征提取；所述图神经网络中的全连接层位于后面的几层，连接于特征图层的输出，实现对全局信息的特征提取；所述图神经网络中的迁移学习层拼接特征图层、全连接层，从而采用注意力机制融合局部信息和全局信息；所述图神经网络中的SoftMax层，位于最后层，负责具体的分类，输出该部件合格的概率；(4)、预训练和迁移学习基于标准格式数据，使用条件对抗生成网络生成了生成数据对网络模型进行预训练，之后再用标准格式数据对网络模型进行迁移学习；(5)、预测采用图神经网络模型对各项检测指标及检测结果进行学习、迁移学习，通过学习使得网络模型可以学习到检测指标间的关系及其对检测结果的影响程度；(6)、抽检验证以完善整个预测系统检测指标和预测结果都将被记录供后期抽检使用。