CN114969618A - 基于多源因果图路径卷积的复杂机电***故障检测方法 - Google Patents
基于多源因果图路径卷积的复杂机电***故障检测方法 Download PDFInfo
- Publication number
- CN114969618A CN114969618A CN202210557851.0A CN202210557851A CN114969618A CN 114969618 A CN114969618 A CN 114969618A CN 202210557851 A CN202210557851 A CN 202210557851A CN 114969618 A CN114969618 A CN 114969618A
- Authority
- CN
- China
- Prior art keywords
- causal
- path
- graph
- convolution
- fault detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 239
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/56—Testing of electric apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明提供一种基于多源因果图路径卷积的复杂机电***故障检测方法，其包括以下步骤：S1：结合已知的因果关系与基于分数的因果发现方法，以***高维监测变量的数据为输入，构建因果关系图；S2：利用基于因果路径卷积的图卷积神经网络从图Gi中的因果路径提取特征；S3：将所有Gi经S2提取的特征拼接，输入全连接神经网络并输出故障检测结果；S4：通过训练故障检测模型，定量得到各路径卷积的特征值，进而确定路径和监测变量对检测结果的影响。本发明融合已知因果关系和数据驱动方法获得因果图；并从因果路径角度提取特征，实现故障检测，提高检测性能；同时获得因果图中的重要路径与节点，增强复杂机电***故障检测的可解释性。
Description
技术领域
本发明涉及复杂机电***故障预测与健康管理领域，特别涉及一种基于多源因果图路径卷积的复杂机电***故障检测方法。
背景技术
作为现代先进技术的代表，复杂机电***得到了蓬勃发展。这些***基于各种机械与电子子***的综合集成，最终实现复杂的***功能。相比于传统机械或电子***，复杂机电***的结构和功能复杂性显著增加：各模块的耦合关系更加复杂，子***间的边界也愈发模糊。受这些原因影响，复杂机电***对异常状态也更加敏感。微小的异常或故障通过传播和级联便可能引起连锁反应，危及整个***运行。因此，如何及时有效检测故障、发现运行状态异常，是确保这类***健康运行、提高***安全性和可用性的关键。
当前基于数据驱动的故障检测方法，通常只考虑输入变量的相关关系，忽视了变量间可能存在的复杂因果和空间结构关系，造成方法性能瓶颈明显；以深度学习为代表的一系列算法，虽然取得了较好的表现，但其模型的可解释性差，难以获得对检测结果的有效解释。因果科学是理解事物发生机制的一种重要方法，在故障检测领域应用因果发现可以探索故障发生的因果机理，从而提高故障检测模型性能。然而，对于复杂机电***，仅靠专家经验通常难以充分挖掘变量间因果关系，而单纯使用数据驱动方法构建因果图则容易发生图结构不稳定等问题：例如基于分数的因果发现得到的因果图相近的评分可能对应多样化的结构，导致难以选取供进一步研究的输入。此外，当前研究通常忽略因果图中叶节点以及主要因果路径包含的最重要信息。
图卷积神经网络(GCN)在处理空间结构化数据方面有着卓越成效。GCN利用图结构提供的非欧几里得特征，能够挖掘节点(特征变量)及其边(关系)的信息。GCN在图像和视频分类任务中取得了巨大的突破，也激发了对其在故障检测中一系列的应用。然而，尽管基于GCN的方法在一定程度上提高了故障检测的性能，但当前方法只考虑GCN在频域或空间相邻节点的卷积，而无法从图中节点构成的路径提取特征，进而忽视了***中组件对其前后组件的影响以及同一路径中节点包含的密切相关信息。此外，当前GCN大多利用通过特定领域知识构建的图，但对于故障机理复杂、监测变量众多的复杂机电***，通常很难获取有效的图结构。当前GCN对变量相关关系的假设也造成故障检测的性能和结果可解释性有待进一步探索。因此，因此，本专利提出了一种基于多源因果图路径卷积的复杂机电***故障检测方法，其方法框架如图2所示：首先根据多种评分准则，利用基于分数和专家经验结合的因果发现方法对复杂机电***进行因果关系挖掘，建立复杂机电***的一系列故障因果图；接着对每张因果图分别进行基于因果路径的卷积，以提取***沿因果路径的故障信息和特征；最后，所有因果图提取的特征通过拼接和全连接网络映射，输出复杂机电***的故障检测结果，并依据结果得到对故障检测贡献显著的因果路径与节点(监测变量)。目前，还没有将因果发现方法与图卷积神经网络结合，用于开展复杂机电***故障检测的相关研究。
发明内容
为克服现有基于数据驱动的复杂机电***故障检测技术缺陷，本发明提供了一种基于多源因果图路径卷积的复杂机电***故障检测方法，该方法通过结合基于分数的因果发现方法和专家先验知识，利用多种评分准则构建一系列反映复杂机电***故障因果信息的因果图，能够克服单纯基于专家经验难以分析复杂***、单纯基于评分因果发现结果不稳定的问题；接着利用提出的基于因果路径卷积的图卷积神经网络，可以提取因果图中沿因果路径的故障信息特征；最后结合不同因果图提取的故障信息，完成复杂机电***故障检测。本发明提出的故障检测方法能够从因果关系的角度出发，对复杂机电***中高维监测变量的复杂关系挖掘，并克服了单纯依靠专家经验和单纯依靠数据因果发现方法存在的问题；利用因果图中的因果路径信息，可以实现基于因果路径的特征提取和***故障检测，故障检测结果同时能够确定因果路径和节点(监测点变量)的贡献，有效提高了复杂机电***故障检测的性能和可解释性。
具体地，本发明提供一种基于多源因果图路径卷积的复杂机电***故障检测方法，其包括以下步骤：
S1：结合已知的因果关系与基于分数的因果发现方法，以复杂机电***高维监测变量数据为输入，构建***监测变量的因果关系图，其具体包括以下子步骤：
S11：对复杂机电***高维监测变量数据预处理，并将数据转化为离散数值类型；
S12：根据已知的因果关系，确定监测变量中已知的因果关系，构建因果关系子图G0；已知的因果关系可以根据专家先验知识获得；
S13：以子图G0为基准，选定不同的评价准则，利用基于分数的因果发现方法，将高维监测变量的数据作为输入，构建一系列完整因果图Gi(i＝1,2,…,n)，n为所采用的评分准则数；
S2：分别对所有得到的因果图进行特征提取，即利用基于因果路径卷积的图卷积神经网络对因果图Gi(i＝1,2,…,n)包含的因果路径进行特征提取和学习，其具体包括以下子步骤：
S21：对因果图从根节点到叶节点遍历，提取图Gi(i＝1,2,…,n)中所有因果路径
其中j∈(1,2,…,J)代表图Gi的第j条因果路径，J代表图Gi包含的因果路径数，Kj代表路径pij中包含的节点数；
表示采用第i种评分准则生成的图Gi中第j条因果路径上的第1,2,…,Kj个节点；
S22：对从因果图Gi提取的因果路径pij(j＝1,2,…,J)进行筛选合，得到因果路径集合Pi，从而减少高维监测变量提取的因果路径集合中包含的大量冗余信息，并保留包含因果图中相对重要的叶节点和主要因果路径信息，降低模型的过拟合风险；筛选合的具体方式可以根据实际需求进行确定；
S23：对筛选合后的因果路径进行填充，定义K为图Gi中最长因果路径包含的节点数，在其余因果路径pij后填充对应(K-Kj)个0，生成的新路径用p′ij表示，如式(1)所示：
S24：重新构建图Gi对应因果路径集合P_concati，如式(2)所示,其中||表示拼接操作：
P_concati＝[p′i1||p′i2||…||p′iJ]＝[n′i11,n′i12,…,n′i1K,n′i21,…,n′iJ1,…,n′iJK]； (2)
S25：利用卷积操作对因果路径集合P_concati对应节点的数据提取特征如公式(3)所示，其中xl-1，xl分别表示第l层卷积的输入和输出特征，
表示l层卷积的第v个卷积核，Vl表示第l层卷积核的个数；bl表示l层卷积的卷积偏置项，
表示卷积计算操作，σ为激活函数：
S26：将卷积的输出结果输入池化层和平坦层，以减少模型参数和调整输出形状；
S3：将所有因果图Gi(i＝1,2,…,n)经过步骤S2卷积、池化及平坦得到的结果拼接，拼接的特征输入到包含2层隐藏层和1层输出层的全连接神经网络，全连接神经网络中利用激活函数对特征进行非线性处理，输出层负责输出复杂机电***故障检测的结果；
S4：利用数据训练故障检测模型，从训练好的模型读取参数，获得各路径经卷积输出的特征值大小，进而通过比较可以确定对故障检测结果影响相对显著的因果路径和节点(监测变量)，以此指导故障定位和开展设备维护工作。
优选地，步骤S13以G0作为基于分数的因果发现结果的约束条件，即其发现得到的完整因果图必须包含子图G0中的因果关系，从而抑制单纯数据驱动因果发现带来的结果偏差和不稳定问题；评分准则选用贝叶斯信息准则(BIC)、赤池信息准则(AIC)、最小描述长度(MLD)、贝叶斯狄利克雷等效均匀(BDeu)等函数，对因果发现的结果进行评分，并利用贪婪算法搜索和优化因果发现结果，最终根据不同评分准则得到一系列可能具有不完全相同结构的因果图，从而可以增加后续特征提取过程输入信息的角度。
优选地，步骤S21通过遍历得到的因果图中全部因果路径，因果路径指的是因果图中从根节点贯穿到叶节点的一连串头尾相连节点构成的序列。
优选地，步骤S22对因果路径集合的筛选合并包括三种方式：
(1)移除包含关系：若路径pim中所有节点都按顺序包含于路径pir(m≠r)，则移除路径pim,m,r为正整数；
(2)从根节点删除：从根节点开始，若路径pim与路径pir(m≠r)的连续K1个节点相同，则分别删除pim与pir中前K1个节点；
(3)从叶节点合并：从叶节点开始，若路径pim与路径pir(m≠r)的连续K2个节点相同，则删除原路径pim与pir，以从叶节点开始的连续K2个节点构造路径pfuse作为两条路径合并后的新路径。
优选地，本发明提出的基于因果路径卷积的图卷积神经网络利用Adam算法优化，步骤S25、S26及S3中卷积核的大小尺寸与个数、池化层大小尺寸和隐藏层中神经元个数等超参数通过网格搜索法确定。
与现有技术相比，本发明具有以下有益效果：
(1)本发明提供一种基于多源因果图路径卷积的复杂机电***故障检测方法，该方法结合基于分数的因果发现方法和专家先验知识，利用多种不同的评分函数构建反映复杂机电***故障因果信息的因果图；再通过基于多源因果路径卷积的图卷积神经网络，提取因果图中沿因果路径的故障信息特征；最后结合不同因果图提取的故障信息，完成复杂机电***故障检测，并可以由故障检测结果获得对结果贡献显著的因果路径和节点，能够提高当前复杂机电***故障检测性能和检测结果的可解释性；
(2)本发明针对复杂机电***监测变量众多、难以建立合理因果图的问题，提出一种基于多种评分方法和专家经验融合的因果发现方法，避免单纯基于专家经验难以分析复杂***、单纯基于评分因果发现结果不稳定的问题；并利用多种评分函数，能够克服基于评分因果发现结果的偏差，提高因果发现结果对下游任务的适用性；
(3)本发明针对因果图中因果路径特征提取问题，提出了一种基于因果路径卷积的图卷积神经网络，能够通过因果图节点构成的因果路径提取故障相关信息，从而考虑***中组件(监测点变量)对前后组件(监测点变量)的影响以及同一因果路径上的组件(监测点变量)的密切相关信息，提高了复杂机电***的故障检测性能表现；
(4)本发明利用专家经验和监测数据构建复杂机电***监测变量因果图，针对因果图中的因果路径提取特征、实现故障检测；同时能够获得因果路径和节点(监测点变量)对故障检测结果的贡献程度，以此了解***故障发生和传播相关信息，从而可以为复杂机电***故障定位和维护工作提供指导，具有极高的而经济效益和社会效益。
附图说明
图1为本发明提出的基于多源因果图路径卷积的复杂机电***故障检测方法的步骤流程示意图；
图2为本发明提出的基于多源因果图路径卷积的复杂机电***故障检测方法的示例性步骤框架图；
图3为本发明实施例中某高铁制动***简化结构图；
图4为本发明实施例中利用专家先验知识建立的因果关系子图；
图5为本发明实施例中G0结合BIC准则构建的因果图；
图6为本发明实施例中G0结合AIC准则构建的因果图；
图7为本发明实施例中G0结合MDL准则构建的因果图；
图8为本发明实施例中G0结合BDeu准则构建的因果图。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
具体地，本发明提供一种基于多源因果图路径卷积的复杂机电***故障检测方法，如图1所示，其包括以下步骤：
S1：结合已知的因果关系与基于分数的因果发现方法，以复杂机电***高维监测变量数据为输入，构建***监测变量的因果关系图，其具体包括以下子步骤：
S11：对复杂机电***监测变量的数据预处理，并将数据转化为离散数值类型。
S12：根据已知的因果关系，确定监测变量中已知的因果关系，构建因果关系子图G0；已知的因果关系可以根据专家先验知识获得。
S13：以子图G0为基准，选定不同的评价准则，利用基于分数的因果发现方法，将高维监测变量的数据作为输入，构建一系列完整因果图Gi(i＝1,2,…,n)，n为所采用的评分准则数，其中因果图中的每个节点对应一个监测变量。
S2：分别对所有得到的因果图进行特征提取，即利用基于因果路径卷积的图卷积神经网络对因果图Gi(i＝1,2,…,n)包含的因果路径进行特征提取和学习，其具体包括以下子步骤：
S21：对因果图从根节点到叶节点遍历，提取图Gi(i＝1,2,…,n)中所有因果路径
其中j∈(1,2,…,J)代表图Gi的第j条因果路径，J代表图Gi包含的因果路径数，Kj代表路径pij中包含的节点数；
表示采用第i种评分准则生成的图Gi中第j条因果路径上的第1,2,…,Kj个节点。
S22：对从因果图Gi提取的因果路径pij(j＝1,2,…,J)进行筛选合，得到因果路径集合Pi，从而减少高维监测变量提取的因果路径集合中包含的大量冗余信息，并保留包含因果图中相对重要的叶节点和主要因果路径信息，降低模型的过拟合风险；筛选合的具体方式可以根据实际需求进行确定。
S23：对筛选合后的因果路径进行填充，定义K为图Gi中最长因果路径包含的节点数，在其余因果路径pij后填充对应(K-Kj)个0，生成的新路径用p′ii表示，如式(1)所示：
S24：重新构建图Gi对应因果路径集合P_concati，如式(2)所示,其中||表示拼接操作：
P_concati＝[p′i1||p′i2||…||p′iJ]＝[n′i11,n′i12,…,n′i1K,n′i21,…,n′iJ1,…,n′iJK]。 (2)
S25：利用卷积操作对因果路径集合P_concati对应节点的数据提取特征如公式(3)所示，其中xl-1，xl分别表示第l层卷积的输入和输出特征，
表示l层卷积的第v个卷积核，Vl表示第l层卷积核的个数；bl表示l层卷积的卷积偏置项，
表示卷积计算操作，σ为激活函数：
S26：将卷积的输出结果输入池化层和平坦层，以减少模型参数和调整输出形状。
S3：将所有因果图Gi(i＝1,2,…,n)经过步骤S2卷积、池化及平坦得到的结果拼接，拼接的特征输入到包含2层隐藏层和1层输出层的全连接神经网络，全连接神经网络中利用激活函数对特征进行非线性处理，输出层负责输出复杂机电***故障检测的结果。
S4：利用数据训练故障检测模型，从训练好的模型读取参数，获得各路径经卷积输出的特征值大小，进而通过比较可以确定对故障检测结果影响相对显著的因果路径和节点(监测变量)，以此指导故障定位和开展设备维护工作。
优选地，步骤S13以G0作为基于分数的因果发现结果的约束条件，即其发现得到的完整因果图必须包含子图G0中的因果关系，从而抑制单纯数据驱动因果发现带来的结果偏差和不稳定问题；评分准则选用贝叶斯信息准则(BIC)、赤池信息准则(AIC)、最小描述长度(MLD)、贝叶斯狄利克雷等效均匀(BDeu)等函数，对因果发现的结果进行评分，并利用贪婪算法搜索和优化因果发现结果，最终根据不同评分准则得到一系列可能具有不完全相同结构的因果图，从而可以增加后续特征提取过程输入信息的角度；
优选地，步骤S21通过遍历得到的因果图中全部因果路径，因果路径指的是因果图中从根节点贯穿到叶节点的一连串头尾相连节点构成的序列；
优选地，步骤S22对因果路径集合的筛选合并包括三种方式：
(1)移除包含关系：若路径pim中所有节点都按顺序包含于路径pir(m≠r)，则移除路径pim,m,r为正整数；
(2)从根节点删除：从根节点开始，若路径pim与路径pir(m≠r)的连续K1个节点相同，则分别删除pim与pir中前K1个节点。
(3)从叶节点合并：从叶节点开始，若路径pim与路径pir(m≠r)的连续K2个节点相同，则删除原路径pim与pir，以从叶节点开始的连续K2个节点构造路径pfuse作为两条路径合并后的新路径。
优选地，本发明提出的基于因果路径卷积的图卷积神经网络利用Adam算法优化，步骤S25、S26及S3中卷积核的大小尺寸与个数、池化层大小尺寸和隐藏层中神经元个数等超参数通过网格搜索法确定。
以下将结合采集自某高铁制动***的运行状态监测数据，对本发明故障检测过程做进一步的详细说明，图3是高铁制动***简化结构图，该***共包含39个监测变量(其中包括制动阀状态、线电压、线电流等信息，分别以Var1，Var2，…，Var39指代)。采用本发明提出的基于多源因果图路径卷积的复杂机电***故障检测方法，如图2所示，其具体实施步骤如下：
S1：结合已知的因果关系与基于分数的因果发现方法，以39个监测变量(及其数据)为输入，构建该高铁制动***监测变量的因果关系图，其具体包括以下子步骤：
S11：对监测变量数据进行预处理，采用标签编码、哑变量等编码方法将各个类别类型变量分别转换为数值类型，并利用最大-最小值方法将数据进行归一化处理，再采用等宽算法将所有数据转化为离散数值类型；如：列车运行模式就是类别类型变量，其值显示的状态并不是数值，经过标签编码之后，则被转化为表征对应状态的数值编码如0，1，2。
S12：利用已知的因果关系确定39个监测变量中已知的因果关系，构建因果关系子图G0，如图4所示；
S13：以子图G0为基准，选取BIC、AIC、MDL、BDeu共4种评分准则，利用基于分数的因果发现方法，将高铁制动***监测变量的数据作为输入，构建一系列完整的因果图Gi(i＝1,2,3,4)，如图5-图8所示分别对应结合BIC、AIC、MDL、以及BDeu准则构建的因果图；
优选地，步骤S13以G0作为基于分数的因果发现结果的约束条件，即因果发现得到的完整因果图必须包含子图G0中的关系，从而抑制单纯数据驱动因果发现带来的结果偏差和不稳定问题；评分准则分别选用以上4种函数，并利用贪婪算法搜索和优化因果图，最终得到4张具有不完全相同结构的因果图，增加后续特征提取过程输入信息的丰富度；
S2：对所有得到的因果图分别进行特征提取，即利用基于因果路径卷积的图卷积神经网络对因果图Gi(i＝1,2,3,4)包含的因果路径进行特征提取和学习，其具体包括以下子步骤：
S21：对因果图Gi(i＝1,2,3,4)遍历，得到所有从根节点贯穿到叶节点的一连串头尾相连的节点构成的序列，即提取图Gi(i＝1,2,3,4)中所有因果路径
其中j∈(1,2,…,J)代表图Gi的第j条因果路径，J代表图Gi包含的因果路径数，Kj代表路径pij中包含的节点数；
表示采用第i种评分准则生成的图Gi中第j条因果路径上的第1,2,…,Kj个节点。
S22：对从因果图Gi提取的因果路径pij(j＝1,2,…,J)进行筛选合并，从而减少高维监测变量提取的因果路径集合中，包含的大量冗余信息，并保留包含因果图中相对重要的叶节点和主要因果路径信息，降低模型的过拟合风险；
优选地，采用的因果路径集合筛选合方式包括三种：
(1)移除包含关系：若路径pim中所有节点都按顺序包含于路径pir(m≠r)，则移除路径pim,m,r为正整数；
(2)从根节点删除：从根节点开始，若路径pim与路径pir(m≠r)的连续K1个节点相同，则分别删除pim与pir中前K1个节点。
(3)从叶节点合并：从叶节点开始，若路径pim与路径pir(m≠r)的连续K2个节点相同，则删除原路径pim与pir，以从叶节点开始的连续K2个节点构造路径pfuse作为两条路径合并后的新路径。
图Gi(i＝1,2,3,4)筛选合并后的因果路径集合如表1所示：
表1因果图Gi(i＝1,2,3,4)因果路径筛选合并结果
S23：依次对每组因果路径集合进行填充，定义K为图Gi最长因果路径包含的节点数，在其余因果路径pij后填充对应(K-Kj)个0，生成的新路径表示为p′ij，如式(1)所示：
S24：重新构建图Gi对应因果路径集合P_concati如式(2)所示,其中||表示拼接操作：
P_concati＝[p′i1||p′i2||…||p′iJ]＝[n′i11,n′i12,…,n′i1K,…,n′iJ1,…,n′iJK] (2)
S25：利用卷积操作对因果路径集合P_concati各节点对应的数据提取特征如公式(3)所示，共采用2层卷积，2层卷积核的大小分别为8和64，卷积核的个数均为12，卷积偏置为0，并采用ReLU函数作为激活函数σ(x)，ReLU函数的计算公式如式(4)所示：
S26：将卷积的输出结果输入池化层和平坦层，以减少模型参数和调整输出形状。
S3：将所有因果图Gi(i＝1,2,3,4)经过步骤S2卷积得到的结果拼接，拼接的结果输入到2层分别包含32和16个神经元的隐藏层和1层包含2个神经元的输出层，输出层负责输出该高铁制动***的故障检测结果：其中0表示正常，1表示故障。
优选地，本发明提出的基于因果路径卷积的图卷积神经网络利用Adam算法优化，步骤S25、S26及S3中卷积核的大小尺寸与个数、池化层大小尺寸和隐藏层中神经元个数等超参数通过网格搜索法确定。
S4：通过训练故障检测模型，从训练好的模型读取参数，计算得到各路径通过卷积输出的特征值大小，从而确定对故障检测结果影响相对大的因果路径如表2所示，以此可以进一步确定对故障有关键影响节点(监测变量)包括Var39、Var21，能够指导故障定位和设备维护。
表2因果图Gi(i＝1,2,3,4)中对故障检测结果影响排序前2的路径
| 因果图 | 贡献路径 |
| G<sub>1</sub> | [Var21,Var18,Var20,Var19,Var17,Var22,Var23],[Var21,Var18,Var20,Var19,Var3,Var2] |
| G<sub>2</sub> | [Var38,Var6,Var5,Var37,Var39,Var13,Var14],[Var6,Var5,Var37,Var39,Var2,Var3] |
| G<sub>3</sub> | [Var25,Var5,Var37,Var13,Var12,Var14],[Var25,Var21,Var39,Var13,Var12,Var14] |
| G<sub>4</sub> | [Var19,Var21,Var8,Var25 Var39,Var13,Var14],[Var19,Var21,Var8,Var25 Var39,Var3,Var2] |
为进一步验证本发明的有效性和突出其性能，将本发明方法与支持向量机(SVM)、人工神经网络(ANN)、卷积神经网络(CNN)和传统图卷积神经网络(GCN)方法对比，并选取两种常见的故障检测性能评价指标：F1评分和G-mean评分作为标准，进行方法性能对比，评分的计算公式如式(5)(6)所示：
其中，precision＝TP/(TP+FP)，recall＝TPR＝TP/(TP+FN)，TNR＝TN/(TN+FP)；TP,FP,TN与FN分别表示被正确分类为故障的样本数、被错误分类为故障的样本数、被正确分类为正常的样本数和被错误分类为正常的样本数；F1和G-mean取值均在[0,1]区间内且数值越高，表示方法的性能越好。
对比得到的结果如下表3所示，结果表明，本发明提出的复杂机电***故障检测方法具有出色的故障检测能力。所提出的利用已知因果关系与基于分数结合的因果发现方法能够有效提取复杂机电***中高维监测变量的复杂因果关系，能够在了解复杂***各组件故障级联和传递关系的同时，避免单纯依靠已知因果关系难以构建复杂***因果图、和单纯基于评分因果发现导致的结果偏差和不稳定等问题；所提出的基于因果路径卷积的图卷积神经网络，使得故障检测方法可以从由节点构成的因果路径提取特征，从而挖掘和利用***前后组件的影响关系以及同一路径组件包含的密切相关信息，极大地提高故障检测方法的性能；此外，通过进一步分析本发明提出的故障检测方法及其结果，能够获得因果图中对检测结果有重要贡献的路径、节点(监测点变量)，为开展复杂机电***故障定位和维护工作提供信息，有效提高了基于数据驱动复杂机电***故障检测结果的可解释性。
表3本发明方法与对比方法故障检测结果指标评价
| 方法 | F1评分 | G-mean评分 |
| 本发明方法 | 0.8421 | 0.8528 |
| 支持向量机 | 0.6892 | 0.7451 |
| 人工神经网络 | 0.5454 | 0.6849 |
| 卷积神经网络 | 0.7470 | 0.7952 |
| 传统图卷积神经网络 | 0.7951 | 0.8396 |
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于多源因果图路径卷积的复杂机电***故障检测方法，其特征在于：其包括以下步骤；
S1：结合已知的因果关系与基于分数的因果发现方法，以复杂机电***高维监测变量数据为输入，构建***监测变量的因果关系图，其具体包括以下子步骤：
S11：对复杂机电***高维监测变量数据预处理，并将数据转化为离散数值类型；
S12：根据已知的因果关系，确定监测变量中已知的因果关系，构建因果关系子图G0；
S13：以子图G0为基准，选定不同的评价准则，利用基于分数的因果发现方法，将高维监测变量的数据作为输入，构建一系列完整因果图Gi(i＝1,2,…,n)，n为所采用的评分准则数，其中因果图中的每个节点对应一个监测变量；
S2：分别对所有得到的因果图进行特征提取，即利用基于因果路径卷积的图卷积神经网络对因果图Gi(i＝1,2,…,n)包含的因果路径进行特征提取和学习，其具体包括以下子步骤：
S21：对因果图从根节点到叶节点遍历，提取图Gi(i＝1,2,…,n)中所有因果路径pij＝
其中j∈(1,2,…,J)代表图Gi的第j条因果路径，J代表图Gi包含的因果路径数，Kj代表路径pij中包含的节点数；
表示采用第i种评分准则生成的图Gi中第j条因果路径上的第1,2,…,Kj个节点；
S22：对从因果图Gi提取的因果路径pij(j＝1,2,…,J)进行筛选合，得到因果路径集合Pi；
S23：对筛选合后的因果路径进行填充，定义K为图Gi中最长因果路径包含的节点数，在其余因果路径pij后填充对应(K-Kj)个0，生成的新路径用p′ij表示，如式(1)所示：
S24：重新构建图Gi对应因果路径集合P_concati，如式(2)所示,其中||表示拼接操作：
P_concati＝[p′i1||p′i2||…||p′J]＝[n′i11,n′i12,…,n′i1K,n′i21,…,n′iJ1,…,n′iJK]； (2)
S25：利用卷积操作对因果路径集合P_concati对应节点的数据提取特征如公式(3)所示，其中xl-1，xl分别表示第l层卷积的输入和输出特征，
表示l层卷积的第v个卷积核，Vl表示第l层卷积核的个数；bl表示l层卷积的卷积偏置项，
表示卷积计算操作，σ为激活函数：
S26：将卷积的输出结果输入池化层和平坦层；
S3：将所有因果图Gi(i＝1,2,…,n)经过步骤S2卷积、池化及平坦得到的结果拼接，拼接的特征输入到包含2层隐藏层和1层输出层的全连接神经网络，全连接神经网络中利用激活函数对特征进行非线性处理，输出层负责输出复杂机电***故障检测的结果；
S4：利用数据训练故障检测模型，从训练好的模型读取参数，获得各路径经卷积输出的特征值大小，进而通过比较确定对故障检测结果影响显著的因果路径和节点变量。
2.根据权利要求1所述的基于多源因果图路径卷积的复杂机电***故障检测方法，其特征在于：步骤S13以G0作为基于分数的因果发现结果的约束条件，即其发现得到的完整因果图必须包含子图G0中的因果关系，从而抑制单纯数据驱动因果发现带来的结果偏差和不稳定问题；所述评分准则选用贝叶斯信息准则(BIC)、赤池信息准则(AIC)、最小描述长度(MLD)、贝叶斯狄利克雷等效均匀(BDeu)函数，对因果发现的结果进行评分，并利用贪婪算法搜索和优化因果发现结果，最终根据不同评分准则得到相应的具有不同结构的因果图。
3.根据权利要求1所述的基于多源因果图路径卷积的复杂机电***故障检测方法，其特征在于：步骤S21通过遍历得到的因果图中全部因果路径，因果路径指的是因果图中从根节点贯穿到叶节点的一连串头尾相连节点构成的序列。
4.根据权利要求1所述的基于多源因果图路径卷积的复杂机电***故障检测方法，其特征在于：步骤S22对因果路径集合的筛选合并包括三种方式：
(1)移除包含关系：若路径pim中所有节点都按顺序包含于路径pir(m≠r)，则移除路径pim,m,r为正整数；
(2)从根节点删除：从根节点开始，若路径pim与路径pir(m≠r)的连续K1个节点相同，则分别删除pim与pir中前K1个节点；
(3)从叶节点合并：从叶节点开始，若路径pim与路径pir(m≠r)的连续K2个节点相同，则删除原路径pim与pir，以从叶节点开始的连续K2个节点构造路径pfuse作为两条路径合并后的新路径。
5.根据权利要求1所述的基于多源因果图路径卷积的复杂机电***故障检测方法，其特征在于：本发明提出的基于因果路径卷积的图卷积神经网络利用Adam算法优化，步骤S25、S26及S3中卷积核的大小尺寸与个数、池化层大小尺寸和隐藏层中神经元个数的超参数通过网格搜索法确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210557851.0A CN114969618B (zh) | 2022-05-19 | 2022-05-19 | 基于多源因果图路径卷积的复杂机电***故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210557851.0A CN114969618B (zh) | 2022-05-19 | 2022-05-19 | 基于多源因果图路径卷积的复杂机电***故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114969618A true CN114969618A (zh) | 2022-08-30 |
| CN114969618B CN114969618B (zh) | 2024-06-07 |
Family
ID=82986000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210557851.0A Active CN114969618B (zh) | 2022-05-19 | 2022-05-19 | 基于多源因果图路径卷积的复杂机电***故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114969618B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN111859799A (zh) * | 2020-07-14 | 2020-10-30 | 西安交通大学 | 基于复杂机电***耦合关系模型评估数据准确性的方法及装置 |
| CN111860686A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 用于故障诊断的因果关系邻接矩阵特征提取方法 |
| CN114330549A (zh) * | 2021-12-28 | 2022-04-12 | 浙江工业大学 | 一种基于深度图网络的化工过程故障诊断方法 |
| CN114510966A (zh) * | 2022-01-14 | 2022-05-17 | 电子科技大学 | 一种基于图神经网络的端到端大脑因果网络构建方法 |
-
2022
- 2022-05-19 CN CN202210557851.0A patent/CN114969618B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN111859799A (zh) * | 2020-07-14 | 2020-10-30 | 西安交通大学 | 基于复杂机电***耦合关系模型评估数据准确性的方法及装置 |
| CN111860686A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 用于故障诊断的因果关系邻接矩阵特征提取方法 |
| CN114330549A (zh) * | 2021-12-28 | 2022-04-12 | 浙江工业大学 | 一种基于深度图网络的化工过程故障诊断方法 |
| CN114510966A (zh) * | 2022-01-14 | 2022-05-17 | 电子科技大学 | 一种基于图神经网络的端到端大脑因果网络构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114969618B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Temporal knowledge graph reasoning with historical contrastive learning | |
| CN110245285B (zh) | 一种基于异构信息网络的个性化推荐方法 | |
| CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和*** | |
| CN112822052A (zh) | 一种基于网络拓扑和告警的网络故障根因定位方法 | |
| CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电***故障检测方法 | |
| CN103793589B (zh) | 一种高速列车故障处理方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| Yang et al. | Evolutionary neural architecture search for transformer in knowledge tracing | |
| Qian et al. | Microservice extraction using graph deep clustering based on dual view fusion | |
| CN114969618A (zh) | 基于多源因果图路径卷积的复杂机电***故障检测方法 | |
| CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及*** | |
| US11748435B2 (en) | Content-free system and method to recommend news and articles | |
| CN116189757A (zh) | 一种药物-靶点相互作用预测方法和*** | |
| US11481267B2 (en) | Reinforcement learning approach to root cause analysis | |
| Li et al. | Dynamic heterogeneous attributed network embedding | |
| CN113159976A (zh) | 一种微博网络重要用户的识别方法 | |
| Kukic et al. | Divide-and-conquer one-step simulator for the generation of synthetic households | |
| CN117875726B (zh) | 基于深度学习的价值链优化管控方法 | |
| Tang et al. | Anomaly Detection of Service Function Chain Based on Distributed Knowledge Distillation Framework in Cloud-Edge Industrial Internet of Things Scenarios | |
| US20240185117A1 (en) | Knowledge Graph Based Modeling System for a Production Environment | |
| WO2024116608A1 (ja) | 計算機システム及び情報処理方法 | |
| JP4010843B2 (ja) | 行動量生成装置、行動量生成方法および行動量生成プログラム | |
| Du et al. | Denoising-guided deep reinforcement learning for social recommendation | |
| Hu et al. | PRM: An Efficient Partial Recovery Method to Accelerate Training Data Reconstruction for Distributed Deep Learning Applications in Cloud Storage Systems | |
| Pasricha | Visualizing and Estimating Neural Network Weights for Training Optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |