欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025106077096
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,基于热力系统不同位置的传感参数信息及参数间的关联结构信息,建立并训练故障推理模型,融合模型特征并推断故障类型;具体包括以下步骤:步骤S1:对热力系统各传感器采集的时序数据进行数据切片处理,并利用自适应核函数高斯回归插值法对切片数据进行加密处理,得到长度补齐的低频响时序数据集D1和密集型高频响时序数据集D2;

步骤S2:采用稀疏时频分析法,对数据集D2中各传感参数分别进行时频分析,得到各传感参数的时频图;

步骤S3:通过卷积神经网络CNN对时频图进行低维流形表征,得到各参数的低维表征向量;

步骤S4:根据热力系统各传感参数间的关联关系和因果关系,构建参数关联关系的知识图谱;

步骤S5:构建图卷积神经网络GCN及时空图卷积神经网络STGCN,将GCN和STGCN的输出层进行拼接,利用Attention层自适应学习各参数的权重,并添加softmax分类层,实现故障分类决策;

所述图卷积神经网络GCN中,输入图数据的结构按照步骤S4中构建的知识图谱结构,图数据的各节点特征为步骤S3中各参数的低维表征向量,图卷积神经网络GCN的输出层为一维全连接神经网络层;

所述时空图卷积神经网络STGCN中,输入图数据的结构按照步骤S4中构建的知识图谱结构,图数据的各节点特征为步骤S1中长度补齐的D1数据中各参数的时序值,时空图卷积神经网络STGCN的输出层为一维全连接神经网络层;

步骤S6:使用已有故障标注数据进行模型监督训练,采用交叉熵计算损失值,得到端到端的故障推理模型。

2.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,所述步骤S1中,切片处理基于统一时长原则进行时序切割,保证各时序切片对应的时长一致,允许各时序切片的数据点数不同。

3.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,所述步骤S1中,采用自适应核函数高斯回归插值法将多种核函数进行线性组合,并对各核函数设置可学习权重系数,利用水母搜索算法搜索最优权重系数,搜索的目标函数采用最大化边际对数似然函数;且寻优得到的权重系数为定值。

4.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,所述步骤S1中,针对数据集D1,按照最长时序切片的数据序列长度,将其他时序切片插值增补到同长度;针对密集型高频响时序数据集D2,增加切片数据长度,使各切片数据序列长度不低于512,同时保证各切片同长度。

5.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,所述步骤S3中,卷积神经网络CNN的参数在各传感参数间共享,即热力系统中的所有参数使用同一个卷积神经网络CNN进行低维表征。

6.根据权利要求1所述的融合慢信号时频表征的能源热力系统图嵌入故障推理方法,其特征在于,所述步骤S4中,所述关联关系建立基于相关性分析算法实现;因果关系建立基于专家经验,并结合参数空间连接关系和热物理关联关系。