一种基于知识图谱注意力网络的装备健康状态评估方法

1.本发明涉及知识图谱、图神经网络、健康状态评估技术领域，具体涉及一种基于知识图谱注意力网络的装备健康状态评估方法。


背景技术：

2.健康状态评估是制定装备维护策略、管理维修资源的重要依据,是实现装备预测性维护、故障预测和健康管理的前提。随着装备系统集成化、信息化程度的提高，复杂装备的工作可靠性至关重要，对其进行健康状态评估有着重要意义。健康状态评估方法主要分为三类：模型驱动方法、知识驱动方法、数据驱动方法。
3.模型驱动方法基于部件的失效机理或工作机理,建立相应的物理模型,然后开展物理模型驱动的健康状态评估。hanachi(ieee transactions on reliability,2015)等将热损失指数和功率损耗指数作为两个特征指标，构建了一种基于物理模型的健康状态评估模型，用于燃气涡轮发动机的健康状态评估；lu(aerospace science and technology，2016)等提出了一种基于扩展卡尔曼滤波器的非线性欠定状态估计方法，用于燃气涡轮发动机健康状态评估；rabiei(reliability engineering&system safety，2017)等提出了一种基于经验裂纹扩展模型、定期裂纹尺寸测量、在线裂纹扩展速率估计的递归贝叶斯融合方法，用于机械结构的健康状态评估。模型驱动方法具有时空复杂度较低、物理意义清晰等优点，但模型驱动法对构建的数学解析模型的完整性和准确性要求较高。
4.知识驱动法是以专家知识为基础，通过推理分析，构建退化特征和健康状态之间的映射关系。胡姚刚(太阳能学报，2018)等依据证据源修正思想建立了基于证据推理的风电机组健康状态评估模型；arshad(ieee transactions on dielectrics and electrical insulation,2018)等采用模糊逻辑推理评估变压器油纸绝缘系统的健康状态；yin(microelectronics reliability，2018)等采用基于自适应协方差矩阵进化策略优化的置信规则库评估涡扇发动机气路风扇的健康状态。知识驱动法能基于领域专家知识建模整机或子系统的横向退化和纵向退化过程，具有时空复杂度低、物理意义清晰等优点，然而残缺、片面、模糊的先验知识会降低健康状态评估模型的精度，基于知识的静态健康状态模型也无法表征机电装备的动态退化过程。
5.数据驱动方法以部件状态监测数据和健康状态参量为依据,进行健康状态估计。guo(neurocomputing,2018)等采用卷积神经网络识别轴承的健康状态，网络参数的学习用误差反向传播算法和自适应矩阵估计算法；sun(mathematical problems in engineering，2018)等采用长短期记忆网络识别风电机组的健康状态，网络参数的学习采用误差反向传播算法；xu(sensors,2019)等将卷积神经网络和随机森林结合起来，实现了滚动轴承的健康状态评估。数据驱动法需要大量的状态监测数据，具有无需专家知识、准确度较高等优点，然而基于数据驱动法构建的健康状态评估模型缺乏清晰的物理解释、容易受到噪声和异常样本的干扰。
6.综上所述，现有的装备健康评估方法还没有实现将不同来源的数据进行融合，也
没有将数据中的空间特征和时间特征融合，因而存在比较大的局限性。利用知识图谱融合装备的时空数据，在此基础上利用图神经网络进行装备健康状态评估是一种重要方法。


技术实现要素：

7.为了融合装备的空间域关联特征以及时间域变化特征，本发明提出一种基于知识图谱注意力网络的装备健康状态评估方法。采用知识图谱将装备部件的关联关系、监测数据依赖关系和先验信息等深度融合，构建出可以全面反映装备健康状态变化的图数据模型；基于构建的装备健康状态知识图谱，采用图注意力网络提取健康状态知识图谱的特征信息，学习得到精确反映装备健康状态的向量表示，将健康状态评估问题转化为基于向量表示的节点分类问题，实现对装备的健康状态评估。
8.本发明的技术方案如下：
9.一种基于知识图谱注意力网络的装备健康状态评估方法，包括以下步骤：
10.1)装备健康状态知识图谱构建
11.1.1)部件实体与关系提取
12.装备往往由系统组成，而系统则由许多部件组成，根据系统和部件之间组成关系，分别提取部件实体以及部件关系，每个不可再分的部件表示一个实体，部件关系则包括能量传递关系、结构组成关系、控制关系等，部件实体的粒度可以根据评估需求进行适当调整；(部件实体是指部件在某一时间的部件状态，部件关系是指部件状态之间的关系，如a部件的状态将影响b部件的状态)
13.1.2)监测指标实体与关系提取
14.传感器监测数据大多是一类时序数据，反映了装备健康状态的变化性特征，从时序数据中提取监测指标实体，以及与部件实体的监测关系(监测关系指的监测指标之间的关系，如c指标和d指标同时监测a部件的状态。)，并进行归一化处理；
15.对于每个监测时序数据通过时间滑窗技术进行分割，设窗口大小为b，对每个窗口的监测值集合进行聚合，常用的聚合方法是求平均值，即若则
16.由于监测数据的量纲不同，需要将不同的监测数据归一化处理，计算公式如下：
[0017][0018]
其中是第i个传感器的归一化值，xi表示第i个传感器采集的数据,和分别表示第i个传感器原始测量值的均值和方差；
[0019]
1.3)知识图谱构建
[0020]
根据所提取的部件实体、部件关系、指标实体和监测关系，构建装备健康状态知识图谱，其中的部件节点表示部件在某一时刻的健康状态，形式化定义如下：
[0021]
装备健康状态知识图谱是由部件状态实体及其关系组成(包括部件实体、监测指标实体、部件关系和监测关系)的带有时间标签的有向图，可以表示为g＝(e,r,t,τ)，其中e是实体集合，包括部件状态实体和监测指标实体；r是带有时间戳的关系集合，包括部件状态关系和监测关系；τ表示知识图谱当前的时间戳；而t＝{(h,r,t)|h,t∈e,r∈r}是三元组
集合；
[0022]
所构建的带有时间标签的健康状态知识图谱，能够表达装备在每一时刻的健康状态与监测指标之间的关联关系；
[0023]
2)基于图注意力网络的知识图谱表示学习
[0024]
利用图注意力网络模型将健康状态知识图谱嵌入到统一的向量表示空间，得到实体和关系的向量表示，将目标实体的向量表示用于装备健康状态评估任务；
[0025]
2.1)图注意力网络的输入与输出
[0026]
定义图注意力网络输入的节点特征为h＝{h1,h2,...,hn},hi∈rf，其中n是节点的个数，f是节点特征的维度，经过图注意力网络后输出新的特征向量为f'，则输出的特征向量表示为h'＝{h
’1,h'2,...,h'n},h’i
∈r
f'
；
[0027]
2.2)计算中心节点注意力系数
[0028]
为了获得足够的表达能力，需要将输入的特征转换为更高层次的向量表示。逐个计算中心节点和其邻居节点之间的注意力系数。计算公式如下：
[0029]eij
＝a([wehi||wehj])
ꢀꢀꢀꢀ
(2)
[0030]
其中we为可学习的权重矩阵，通过w的线性映射对节点的特征进行增维；
·
||
·
方法对节点变换后的特征进行拼接；a(
·
)是一个参数为的单层前馈神经网络，通过a(
·
)方法把拼接后的高维特征映射到一个实数上，从而学习到中心节点相对于每个邻居节点的注意力系数；r
2f’指拼接后高维向量的大小以及单层前馈神经网络参数的大小。
[0031]
将计算得到的中心节点注意力系数进行归一化，计算公式如下：
[0032][0033]
其中leakyrelu()为线性激活函数，exp()为softmax()归一化函数；
[0034]
2.3)基于多头注意力机制的节点特征聚合
[0035]
根据计算好的注意力系数，将邻居节点的特征进行加权聚合至中心节点；计算公式如下：
[0036][0037]
w为与特征相乘的线性变换权重矩阵；α
ij
为前面计算得到的注意力相关系数；σ为非线性激活函数；j表示所有与中心节点i相邻的邻居节点，hj为这些邻居节点的特征向量；
[0038]
为了稳定地学习到中心节点相对邻居节点的注意力系数，在加权聚和的过程中引入多头注意力机制；每个独立的注意力机制都能学习到在不同表示空间中的特征；k个独立的注意力机制执行公式(4)，然后将它们的特征进行平均计算获得中心节点的向量表示；
[0039][0040]
其中，是第k个注意力机制经过归一化计算得到的注意力系数，wk为第k个注意力机制的线性变换权重矩阵，j∈ni中遍历的j表示所有与中心节点i相邻的邻居节点，hj为这些邻居节点的特征向量；经过平均操作与线性激活函数得到最终的中心节点向量表示；
[0041]
2.4)健康状态知识图谱向量表示
[0042]
以部件健康状态节点作为中心节点，其下属的指标节点以及相邻的部件健康状态节点作为邻居节点。执行步骤2.2)、2.3)得到部件健康状态节点的向量表示；然后，以装备健康状态节点为中心节点，部件健康状态节点为邻居节点，再次执行步骤2.2)、2.3)得到装备健康状态节点的向量表示h'；
[0043]
3)装备健康状态评估
[0044]
将健康状态评估问题转换为基于向量表示的目标节点分类问题，利用步骤2.4)得到的向量表示h'实现目标节点分类，该目标节点是指知识图谱中的装备健康状态节点；
[0045]
将向量表示h'输入线性分类器，得到分类概率将向量表示h'输入线性分类器，得到分类概率计算公式如下：
[0046][0047]
其中，sigmoid()函数将向量映射到[0,1]范围内，是装备的类别预测概率；
[0048]
然后根据上述计算出的概率通过损失函数与样本中真实标签yi进行损失计算；采用交叉熵损失函数并通过adam优化器来最小化损失函数，损失函数计算公式如下：
[0049][0050]
其中，c为分类类别，为类别预测概率，yi为真实标签值；
[0051]
不断迭代以上训练过程，使装备健康状态的向量表示收敛，得到最终的装备健康状态评估的模型；将需要评估的健康状态知识图谱输入到上述训练模型，得到装备健康状态分类结果；
[0052]
经过以上所有步骤，完成装备健康状态评估。
[0053]
本发明的有益效果：
[0054]
本发明给出的装备健康状态评估方法能够充分学习健康状态知识图谱中的时间域特征和空间域特征，通过嵌入的时空特征向量提高装备健康状态评估结果的准确性。
附图说明
[0055]
图1是健康状态知识图谱图；
[0056]
图2是健康状态知识图谱本体模型图；
[0057]
图3是基于知识图谱注意力网络的健康状态评估模型图。
具体实施方式
[0058]
下面结合附图对本发明作进一步说明。
[0059]
参照图1、图2、图3，一种基于知识图谱注意力网络的装备健康状态评估方法，包括以下步骤：
[0060]
步骤(1)装备健康状态知识图谱构建：
[0061]
步骤(1.1)根据先验知识抽取发动机部件实体及其关联关系，发动机具备核心机、燃烧室、风扇、高压涡轮机、低压涡轮机、高压压气机、低压压气机7个部件实体。
[0062]
步骤(1.2)提取出每个部件实体下属的监测数据实体。首先确定与健康状态有关的指标，并去除噪声数据。对每个传感器指标分别确定不同区间大小，对其进行区间划分操
作。考虑到每个传感器指标的方差等都是不一样的，对每个指标采用(1)式进行归一化，消除不同量纲数据对实验的影响。提取出监测数据实体，如风扇部件实体具有物理转速(nf)、换算转速(nrf)和涵道比(bpr)共3个监测数据实体。
[0063]
步骤(1.3)根据步骤(1.1)和(1.2)提取得到的实体及其关系，构建出发动机的健康状态知识图谱，如图1所示。构建的发动机健康状态知识图谱三元组如表1所示：
[0064]
表1发动机健康状态知识图谱三元组
[0065][0066][0067]
建立与健康状态知识图谱相对应的邻接矩阵a用于后续步骤的计算。邻接矩阵反映节点之间的连接关系，1代表相连，0代表不相连。例如，图1中的发动机与燃烧室、风扇、高压压气机、高压涡轮机、低压压气机、低压涡轮机、核心机相连，(a)
(发动机,燃烧室)
＝(a)
(燃烧室,发动机)
＝(a)
(发动机,风扇)
＝(a)
(风扇,发动机)
＝(a)
(发动机,高压压气机)
＝(a)
(高压压气机,发动机)
＝1。
[0068]
步骤(2)基于图注意力网络的知识图谱表示学习：
[0069]
对步骤(1)中构建的发动机的健康状态知识图谱进行表示学习，其结构包括一层输入与两层卷积以及一层全连接层，两层卷积层的维度分别为[128,64]，[64，4],最终将装备健康状态向量映射至4个健康状态类别中的一类，由高到低分别为3,2,1,0。通过图注意力网络来提取输入的节点特征，首先经过式(2)计算每个中心节点相对邻居节点的注意力系数，并通过式(3)对其进行归一化获得最终的注意力系数。最后根据求得的注意力系数通过式(4)对节点特征进行加权求和，中心节点的向量表示。
[0070]
使用k组相互独立的图注意力机制，每组不同的注意力机制引用公式(2)、(3)、(4)得到不同图注意力机制下的向量表示。为了减少特征向量的维度，执行式(5)将这些向量表示经过平均操作，并经过线性激活层得到发动机健康状态向量表示。
[0071]
步骤(3)装备健康状态评估：
[0072]
首先，将步骤(2)中得到的发动机的健康状态向量表示输入到公式(6)中，得到发动机的健康状态分类概率。
[0073]
其次，根据公式(7)的损失函数缩小公式(6)中计算出的分类预测概率与真实健康状态标签之间的损失，使得计算出的分类结果不断的逼近真实的标签，从而让发动机健康
状态向量表示更加准确。
[0074]
通过不断迭代训练过程，使得发动机健康状态评估模型收敛，得到最终的发动机健康状态评估结果。

技术特征：
1.一种基于知识图谱注意力网络的装备健康状态评估方法，其特征在于，包括以下步骤：1)装备健康状态知识图谱构建：1.1)部件实体与关系提取；1.2)监测指标实体与关系提取；1.3)知识图谱构建；2)基于图注意力网络的知识图谱表示学习：2.1)图注意力网络的输入与输出；2.2)计算中心节点注意力系数；2.3)基于多头注意力机制的节点特征聚合；2.4)健康状态知识图谱向量表示：3)基于表示学习的装备健康状态评估。2.根据权利要求1所述一种基于知识图谱注意力网络的装备健康状态评估方法，其特征在于，步骤1)具体步骤如下：1.1)部件实体与关系提取：根据系统和部件之间组成关系，分别提取部件实体以及关系，其中每个不可再分的部件表示一个部件实体，部件关系则包括能量传递关系、结构组成关系、控制关系；1.2)监测指标实体与关系提取：从时序数据中提取监测指标实体，以及与部件实体的监测关系，并进行归一化处理；对于每个监测时序数据通过时间滑窗技术进行分割，设窗口大小为b，对每个窗口的监测值集合进行聚合，常用的聚合方法是求平均值，即若则由于监测数据的量纲不同，需要将不同的监测数据归一化处理，计算公式如下：其中是第i个传感器的归一化值，x
i
表示第i个传感器采集的数据,和分别表示第i个传感器原始测量值的均值和方差；1.3)知识图谱构建：根据所提取的部件实体、部件关系、监测指标实体和监测关系，构建装备健康状态知识图谱，其中的部件节点表示部件在某一时刻的健康状态，形式化定义如下：装备健康状态知识图谱是由部件实体、监测指标实体、部件关系和监测关系组成的带有时间标签的有向图，表示为g＝(e,r,t,τ)，其中e是实体集合，包括部件实体和监测指标实体；r是带有时间戳的关系集合，用于表示事实关系，包括部件关系和监测关系；τ表示知识图谱当前的时间戳；而t＝{(h,r,t)|h,t∈e,r∈r}是三元组集合；所构建的带有时间标签的健康状态知识图谱，能够表达装备在每一时刻的健康状态与监测指标之间的关系；3.根据权利要求1所述一种基于知识图谱注意力网络的装备健康状态评估方法，其特征在于，步骤2)具体步骤如下：利用图注意力网络模型将健康状态知识图谱嵌入到统一的向量表示空间，得到实体和关系的向量表示，然后将目标实体的向量表示用于后续装备健康状态评估；2.1)图注意力网络的输入与输出：
定义图注意力网络输入的节点特征为h＝{h1,h2,...,h
n
},h
i
∈r
f
，其中n是节点的个数，f是节点特征的维度，经过图注意力网络后输出新的特征向量为f'，则输出的特征向量表示为h'＝{h'1,h'2,...,h'
n
},h
i
'∈r
f'
；2.2)计算中心节点注意力系数：为了获得足够的表达能力，需要将输入的特征转换为更高层次的向量表示，逐个计算中心节点和其邻居节点之间的注意力系数；计算公式如下：e
ij
＝a([w
e
h
i
||w
e
h
j
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中w
e
∈r
f
′×
f
为共享的权重矩阵，对节点做线性变换可以表示为w
e
h
i
∈r
f
′
；
·
||
·
方法对节点线性变换后的特征进行拼接，即w
e
h
i
||w
e
h
j
∈r
2f
′
；a(
·
)是一个参数为的单层前馈神经网络，通过a(
·
)方法把拼接后的高维特征映射到实数r上，从而得到中心节点相对于每个邻居节点的注意力系数；将计算得到的中心节点注意力系数进行归一化，计算公式如下：其中leakyrelu()为线性激活函数，exp()为softmax()归一化函数；2.3)基于多头注意力机制的节点特征聚合：根据计算好的注意力系数，将邻居节点的特征进行加权聚合至中心节点；计算公式如下：w为与特征相乘的线性变换权重矩阵；α
ij
为前面计算得到的注意力相关系数；σ为非线性激活函数；j表示所有与中心节点i相邻的邻居节点，h
j
为邻居节点的特征向量；在加权聚和的过程中引入多头注意力机制；每个独立的注意力机制都能学习到在不同表示空间中的特征；k个独立的注意力机制执行公式(4)，然后将它们的特征进行平均计算获得中心节点的向量表示；其中，是第k个注意力机制经过归一化计算得到的注意力系数，w
k
为第k个注意力机制的线性变换权重矩阵，j∈n
i
中遍历的j表示所有与中心节点i相邻的邻居节点，h
j
为邻居节点的特征向量；经过平均操作与线性激活函数得到最终的中心节点向量表示；2.4)健康状态知识图谱向量表示：以部件健康状态节点作为中心节点，其下属的指标节点以及相邻的部件健康状态节点作为邻居节点，执行步骤2.2)、2.3)得到部件健康状态节点的向量表示；然后，以装备健康状态节点为中心节点，部件健康状态节点为邻居节点，再次执行步骤2.2)、2.3)得到装备健康状态节点的向量表示h'；4.根据权利要求1所述一种基于知识图谱注意力网络的装备健康状态评估方法，其特征在于，步骤3)具体步骤如下：
利用知识图谱表示学习的结果，将健康状态评估问题转换为知识图谱中目标节点的分类问题，利用步骤2.4)得到的向量表示h'实现目标节点分类，该目标节点是指知识图谱中的装备健康状态节点；将向量表示h'输入线性分类器，得到分类概率将向量表示h'输入线性分类器，得到分类概率计算公式如下：其中，sigmoid()函数将向量映射到[0,1]范围内，是装备的类别预测概率；然后根据上述计算出的概率通过损失函数与样本中真实标签y
i
进行损失计算；采用交叉熵损失函数并通过adam优化器来最小化损失函数，损失函数计算公式如下：其中，c为分类类别，为类别预测概率，y
i
为真实标签值；不断迭代以上训练过程，使装备健康状态的向量表示收敛，得到最终的装备健康状态评估的模型；将需要评估的装备健康状态知识图谱输入到上述训练模型，得到装备健康状态分类结果；经过以上所有步骤，完成装备健康状态评估。

技术总结
本发明公开了一种基于知识图谱注意力网络的装备健康状态评估方法，包括以下步骤：1)结合领域先验知识，采用知识图谱将装备部件的关联关系、监测数据依赖关系和先验信息等深度融合，构建出可以全面反映装备健康状态变化的图数据模型；2)采用图注意力网络提取健康状态知识图谱的特征信息，学习得到精确反映装备健康状态的目标节点表示向量；3)将装备健康状态表示向量经过全连接层得到健康状态分类预测概率，训练缩小与真实标签的损失值，得到健康状态评估结果。本发明能够通过提取各类数据的潜在数据特征，显著提高装备的健康状态评估的准确性。准确性。准确性。


技术研发人员：肖刚 黄嘉诚 张元鸣 程振波 徐雪松 陆佳炜 王琪冰
受保护的技术使用者：浙江工业大学
技术研发日：2023.05.31
技术公布日：2023/9/12