龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：西华大学
申请日：2024-05-28
公开（公告）日：2024-06-25
公开（公告）号：CN118245852A
主分类号：G06F18/24
分类号：G06F18/24;G06F18/25;G06N3/042;G06N3/0464;G06N3/08
优先权：
专利状态码：在审-公开
法律状态：2024.06.25#公开
摘要：本发明涉及高速列车故障诊断技术领域，公开了一种基于图引导关系学习的高速列车悬挂系统故障诊断方法。首先将多通道监测信号馈送到用于传感器关联学习的部分中，采用关系感知的自注意力机制构建多通道信号数据的可学习邻接矩阵，通过相对位置表示嵌入输入数据的通道排列；然后实施深度卷积提取每个通道的局部特征，将每个通道的输出作为节点特征，将邻接矩阵作为边信息，获得图结构化数据样本；通过图神经网络从结构化样本中学习节点嵌入，通过随机抽样策略聚合节点的局部邻域特征；每个层的读出特征由子网络组合实现故障分类任务。本发明能够实现高准确性和高可用性，还能呈现出导致诊断结果的模型驱动因素，提高了检测的可靠性和可信度。
主权项：1.基于图引导关系学习的高速列车悬挂系统故障诊断方法，其特征在于，包括以下步骤：步骤1：从列车监测系统中获取多通道传感监测数据，通道数量为Cs；步骤2：将多通道传感监测数据作为输入数据，利用自注意力机制衡量输入的多通道传感监测数据中不同通道的判别重要性；使用多头注意力机制，通过并行自注意力运算，同时关注不同表征子空间中不同通道的信息表征，然后将各通道输出合并为输出特征；通过注意力权重获得维度为的邻接矩阵Madj，以用于传感监测数据的图结构化；步骤3：利用深度卷积对输入的每个传感器通道的监测数据分别执行空间卷积，提取每个通道的特征，构造图结构数据中的节点特征集合F；步骤4：基于所述邻接矩阵Madj和节点特征集合F，将所述多通道传感监测数据构造为具有边和节点的图结构化数据；步骤5：建立图神经网络模型，将图结构化数据馈入图神经网络模型中，从节点的局部邻域中采样并聚合特征，以学习节点特征嵌入；步骤6：检测结果输出，判据可视化：组合图神经网络模型每个层读出的聚合特征，通过一个子网络完成图级别分类任务以实现故障分类；用图神经网络模型学习到的图结构表征的节点关联，将其作为可视化判据；通过学习目标监测数据的图结构，获得故障类别的归一化边权重，用于表征传感器之间的耦合相关性强弱。
全文数据：
权利要求：
百度查询： 西华大学 基于图引导关系学习的高速列车悬挂系统故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号