【技術實現步驟摘要】
本專利技術涉及故障診斷，具體涉及一種基于圖神經網絡的送水泵組健康狀態監測方法和系統。
技術介紹
1、隨著社會經濟的快速發展和信息技術的日新月異，智能化檢測設備在供水行業中的應用日益廣泛，其主要目的是提高設備的維護水平、優化供水效率，從而實現對有限水資源的有效管理和利用。然而現有的健康監測技術存在一些明顯的局限性，特別是在多模態信號融合方面，目前多數健康監測方法未能有效地整合送水泵組運行期間產生的各種類型信號(例如振動信號、聲學信號等)，導致診斷模型準確性的不足，進一步影響了對送水泵組整體健康狀況的全面評價。
2、合肥三益江海智能科技有限公司在其申請的專利文獻“一種具有健康監測及故障診斷的水泵機組智能控制系統”(申請專利號：202310578835.4，申請公布號：cn116557328b)提出一種基于曲線相似度評估的水泵健康監測方法，以振動、聲音和溫度等信號為輸入，通過計算各信號的監測指數并據此生成監測曲線，與標準監測曲線進行相似度計算評估水泵機組健康狀態。然而，上述文獻方法僅將各信號的監測指數進行融合，并未利用人工智能技術對各信號進行深度的融合，診斷模型的準確率不夠。
技術實現思路
1、本專利技術的主要目的在于提供一種基于圖神經網絡的送水泵組健康狀態監測方法和系統，旨在解決
技術介紹
中診斷模型準確率不夠的技術問題。
2、為實現上述目的，本專利技術第一方面提供一種基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，包括以下步驟：
3、步驟s100
4、步驟s200：對所述多模態數據進行預處理，構建訓練數據集；
5、步驟s300：基于所述訓練數據集對預設的圖神經網絡模型進行訓練，得到送水泵組健康狀態監測模型；
6、步驟s400：將送水泵組的實時多模態數據輸入所述送水泵組健康狀態監測模型，對送水泵組健康狀態進行預測。
7、進一步的，所述步驟s300中，所述基于所述訓練數據集對預設的圖神經網絡模型進行訓練，得到送水泵組健康狀態監測模型的步驟包括：
8、步驟s310：從預處理的多模態數據中提取各模態數據的送水泵組健康特征，所述送水泵組健康特征包括聲音信號的全局性特征和振動信號的局部性特征；
9、步驟s320：通過圖神經網絡模型的特征提取網絡融合所述送水泵組健康特征，得到融合送水泵組健康特征；
10、步驟s330：根據所述融合送水泵組健康特征，通過圖神經網絡模型的回歸預測網絡對送水泵組健康狀態進行預測；
11、步驟s340：根據所述圖神經網絡模型的預測值與真實值計算模型參數的梯度值，根據所述梯度值更新所述模型參數；
12、步驟s350：將所述訓練數據集輸入到所述圖神經網絡模型訓練，得到送水泵組健康狀態監測模型。
13、進一步的，所述步驟s340中，所述根據所述圖神經網絡模型的預測值與真實值計算模型參數的梯度值的步驟包括以下步驟：
14、步驟s341：采用偽胡貝爾函數構建第一損失函數，以評估模型預測值與真實值之間的差異，如下式所示：
15、
16、式中，lpseudohuber為訓練數據集的損失值，i為訓練數據集的樣本，noffline為訓練數據集的樣本數，ri為樣本i的送水泵組健康指標的真實值，pi為樣本i的送水泵組健康指標的預測值，δ為控制函數從二次到線性切換的超參數；
17、步驟s342：根據所述圖神經網絡模型的預測值與真實值，使用所述第一損失函數計算損失值；
18、步驟s343：通過反向傳播算法，根據所述損失值計算模型參數的梯度值。
19、進一步的，所述步驟s350中，所述將所述訓練數據集輸入到所述圖神經網絡模型訓練，得到送水泵組健康狀態監測模型的步驟包括：
20、步驟s351：隨機初始化所述送水泵組健康狀態監測模型參數；
21、步驟s352：設置所述送水泵組健康狀態監測模型的優化器采用自適應矩估計adam優化器；
22、步驟s353：從所述訓練數據集中隨機采集預設數量的樣本子集，輸入到所述送水泵組健康狀態監測模型，生成所述樣本子集的預測值；
23、步驟s354：根據所述樣本子集的預測值與真實值，使用所述第一損失函數計算樣本子集的損失值，通過反向傳播算法，根據所述樣本子集的損失值計算模型參數的梯度值，使用adam優化器根據計算的梯度值更新所述模型參數；
24、步驟s355：判斷所述樣本子集是否遍歷整個訓練數據集，若是，則迭代優化次數加一，若否，則返回步驟s353繼續采集新的樣本子集；
25、步驟s356：判斷迭代優化的次數是否達到設定閾值，若是，則停止迭代優化，若否，則返回步驟s353開啟新的一輪迭代優化。
26、進一步的，所述步驟s400后還包括以下步驟：
27、步驟s500：根據預設的統計周期定期檢查所述送水泵組健康狀態監測模型的在線更新條件，根據檢查結果進行在線更新或繼續監控。
28、進一步的，所述步驟s500中，所述根據預設的統計周期定期檢查所述送水泵組健康狀態監測模型的在線更新條件，根據檢查結果進行在線更新或繼續監控的步驟包括：
29、步驟s510：檢查送水泵組健康狀態監測模型是否滿足以下在線更新條件之一：模型上線時長達到預設更新周期閾值、模型的性能指標低于預設閾值，若任一條件滿足，則執行步驟s520，若均不滿足，則繼續監控模型狀態，等待下一次周期性檢查；
30、步驟s520：獲取最新的多模態數據作為訓練數據，對送水泵組健康狀態監測模型進行在線訓練，以得到更新后的模型。
31、進一步的，所述步驟s520中，所述獲取最新的多模態數據作為訓練數據，對送水泵組健康狀態監測模型進行在線訓練，以得到更新后的模型的步驟包括：
32、步驟s521：構建第二損失函數，所述第二損失函數包括無監督學習部分和終身學習部分，如下式所示：
33、
34、式中，l為訓練數據集的損失值，i為訓練數據集的樣本，nonline為在線樣本數，lusl是訓練數據集無監督學習部分的損失值，lll是訓練數據集終身學習部分的損失值；pi為樣本i當前模型輸出健康指標預測值；p0為樣本i模型預測的健康指標歷史最大值；為樣本i歷史模型輸出的健康指標預測值；λ、β、γ均為權衡參數，控制各項損失的數量級；α為控制健康指標從緩變到突變之間切換的超參數；
35、步驟s522：根據所述圖神經網絡模型的預測值與真實值，使用所述第二損失函數計算損失值；
36、步驟s523：通過反向傳播算法，根據所述損失值計算模型參數的梯度值；
37、步驟s524：根據計算的梯度值更新模型參數。
38、進一步的，所述步驟s520中，獲取最新的多模態數據作為訓練數據，對送水泵組健康狀態本文檔來自技高網...
【技術保護點】
1.一種基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S300中，所述基于所述訓練數據集對預設的圖神經網絡模型進行訓練，得到送水泵組健康狀態監測模型的步驟包括：
3.如權利要求2所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S340中，所述根據所述圖神經網絡模型的預測值與真實值計算模型參數的梯度值的步驟包括以下步驟：
4.如權利要求3所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S350中，所述將所述訓練數據集輸入到所述圖神經網絡模型訓練，得到送水泵組健康狀態監測模型的步驟包括：
5.如權利要求1～4任一項所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S400后還包括以下步驟：
6.如權利要求5所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S500中，所述根據預設的統計周期定期檢查所述送水泵組健康狀態監測模型的在線更新條件，根據
7.如權利要求6所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S520中，所述獲取最新的多模態數據作為訓練數據，對送水泵組健康狀態監測模型進行在線訓練，以得到更新后的模型的步驟包括：
8.如權利要求7所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟S520中，獲取最新的多模態數據作為訓練數據，對送水泵組健康狀態監測模型進行在線訓練，以得到更新后的模型的步驟還包括：
9.一種基于圖神經網絡的送水泵組健康狀態監測系統，其特征在于，包括：
10.如權利要求9所述的基于圖神經網絡的送水泵組健康狀態監測系統，其特征在于，還包括：
...【技術特征摘要】
1.一種基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟s300中，所述基于所述訓練數據集對預設的圖神經網絡模型進行訓練，得到送水泵組健康狀態監測模型的步驟包括：
3.如權利要求2所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟s340中，所述根據所述圖神經網絡模型的預測值與真實值計算模型參數的梯度值的步驟包括以下步驟：
4.如權利要求3所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟s350中，所述將所述訓練數據集輸入到所述圖神經網絡模型訓練，得到送水泵組健康狀態監測模型的步驟包括：
5.如權利要求1～4任一項所述的基于圖神經網絡的送水泵組健康狀態監測方法，其特征在于，所述步驟s400后還包括以下步驟：
6.如...
【專利技術屬性】
技術研發人員：李俊，廖奕校，招智銘，周松斌，劉憶森，萬智勇，李昌，
申請(專利權)人：廣州市自來水有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。