【技术实现步骤摘要】
本专利技术涉及矿井通风，尤其涉及一种基于图卷积神经网络的矿井通风系统故障诊断方法。
技术介绍
1、矿井通风故障诊断作为保障通风系统正常运行的重要一环，是矿井智能通风的基础功能。矿井通风系统结构错综复杂，井下诸多不确定因素相互耦合，持续对整个通风系统产生影响，例如巷道垮落变形、延伸、报废、风门破损、风机故障、煤仓放空、风门开闭、矿车运行和罐笼提升等现象引起风流出现的扰动，使矿井通风系统可靠性和稳定性大幅度降低，增加通风系统发生故障的可能性，甚至会引发灾难性事故。
2、目前矿井通风故障诊断方法主要以传统机器学习算法为主，这些算法在进行故障诊断前需要对输入数据的特征和复杂信息进行筛选。当矿井系统的结构复杂时，可能会存在所有关键特征信息捕捉困难、模型解释性较差等问题。
技术实现思路
1、针对上述技术问题，本专利技术提供一种基于图卷积神经网络的矿井通风系统故障诊断方法，该方法不仅可以提取矿井通风系统出现故障时各监测数据的故障信息，实现故障诊断，还可以促进矿井通风系统智能化管理的发展，强化人工智能在辅助决策中的作用。
2、一种基于图卷积神经网络的矿井通风系统故障诊断方法，具体包括如下步骤：
3、步骤1：对矿井通风系统进行故障情况下的网络解算，获取故障数据集；
4、具体为：设定不同故障位置和故障量的大小，当矿井通风系统出现故障时，每次故障均会导致监测到的风量、风压和节点压能发生变化，得到一个故障样本xi，进而生成包括若干个故障样本的故障样本数据集x
5、步骤2：对所得的故障数据集中的故障样本进行预处理，得到预处理后的故障数据集；所述预处理包括加噪和标准化；
6、步骤2.1：对每个故障样本中的风量、风压和节点压能添加设定大小的随机噪声；
7、步骤2.2：采用z-score标准化对故障样本数据集中的故障样本进行标准化，将故障样本数据集中的故障样本映射到同一尺度上，得到标准化后的故障样本数据集；
8、所述z-score标准化的计算公式如下：
9、
10、式中：xi为第i个故障样本；为故障样本的均值；σ是故障样本的标准差；yi为标准化后的故障样本，产生的标准化后的故障样本数据集y1,y2,y3,...,yn是均值为0，方差为1的无量纲数据；
11、步骤3：对预处理后的故障数据集进行数据划分得到训练集、验证集和测试集；
12、步骤4：结合图论相关知识，根据步骤1中获取的故障数据集构建故障数据图结构，同时得到故障数据图结构的矩阵形式，即多度量邻接矩阵；所述故障数据图结构中包括节点和表示节点间关系的边，一个节点表示一个故障样本，节点的信息为故障样本中的风量、风压和节点压能；
13、步骤4.1：将每个故障样本视为故障数据图结构中的节点，分别利用欧式距离、曼哈顿距离和切比雪夫距离的距离度量公式计算节点间的距离度量值，得到三种度量方式下的故障数据图结构节点的距离度量矩阵ds，可表示为：
14、
15、式中，ds为故障数据图结构节点的距离度量矩阵，为第i个故障样本与第j个故障样本之间的距离度量值，j为故障样本的编号；s为距离度量矩阵所选用的距离度量公式；
16、步骤4.2：以k-近邻算法分别对三种度量方式下的故障数据图结构节点的距离度量矩阵ds进行计算，判断故障数据图结构中节点间是否存在边，得到三种度量方式下的故障数据图结构和其对应的矩阵形式，即三种度量方式下的单度量邻接矩阵；
17、单度量邻接矩阵表示为as＝(aij)n×n，其中aij表示节点间的连接关系，i＝1,2,…,n，j＝1,2,…,n；
18、
19、步骤4.3：根据三种度量方式下的单度量邻接矩阵生成多度量邻接矩阵，同时得到最终的故障数据图结构；
20、具体为：对三种度量方式下的单度量邻接矩阵进行加权融合，即对应元素进行相加并除以所用的距离度量种类，利用阈值τ对加权融合后的矩阵中的元素进行判断，进而生成多度量邻接矩阵；
21、多度量邻接矩阵表示为其中表示多度量矩阵节点间的连接关系，i＝1,2,…,n，j＝1,2,…,n；
22、
23、式中，为以欧式距离为距离度量构建的单度量邻接矩阵aeuc中第i行第j列的元素；为以曼哈顿距离为距离度量构建的单度量邻接矩阵aman中第i行第j列的元素；为以切比雪夫距离为距离度量构建的单度量邻接矩阵ache的第i行第j列的元素；为基于三种距离度量构建的单度量邻接矩阵aeuc、aman和ache的第i行第j列的元素相加求平均；τ为给定阈值；
24、步骤5：构建gcn故障诊断模型；
25、所述gcn故障诊断模型包括依次连接的gcn输入层、第一图卷积层、第二图卷积层、第三图卷积层和输出层；
26、所述gcn输入层用于接收预处理后的故障样本和多度量邻接矩阵并发送给第一图卷积层；
27、所述第一图卷积层用于接收预处理后的故障样本和多度量邻接矩阵，对多度量邻接矩阵对应的最终的故障数据图结构中各节点信息以其节点间的连接关系进行图卷积操作，得到各节点间的特征表示，进而得到节点特征矩阵；
28、所述第二图卷积层和第三图卷积层均用于对上一图卷积层得到的各节点间的特征表示进行图卷积操作，得到最终的节点特征矩阵；所述节点特征矩阵的每一行为一个节点特征向量，节点特征向量中包括若干个节点的特征值，节点特征矩阵的行数为故障样本的数量，每个节点特征向量中特征值的数量等于节点的数量；
29、所述图卷积操作过程的计算公式如下：
30、
31、式中：为对称归一化邻接矩阵；d为多度量邻接矩阵a*的度矩阵；i为多度量邻接矩阵a*的单位矩阵；hl为第l层图卷积层的节点特征矩阵，l为图卷积层的编号，当l＝0时，h0为故障样本；hl+1为第l+1层图卷积层的节点特征矩阵，即第l层图卷积层的输出结果；wl为第l层图卷积层的权重矩阵；σ为激活函数；
32、所述输出层为softmax函数，用于将第三图卷积层得出的节点特征矩阵转换为概率分布，使得每个位置的故障概率都在0到1之间，并且所有位置的故障概率之和为1，根据每个位置的故障概率做出最终的决策，得到故障诊断结果；
33、计算公式如下：
34、
35、式中：zf是第f个位置的特征值，f是位置的编号；n是位置总数。
36、步骤6：利用训练集对于gcn故障诊断模型进行设定轮次的训练，得到训练完成的gcn故障诊断模型，并利用验证集对训练完成的gcn故障诊断模型进行评估和参数调整，得到最终的gcn故障诊断模型；
37、步骤7：将测试本文档来自技高网...
【技术保护点】
1.一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤具体为：设定不同故障位置和故障量的大小，当矿井通风系统出现故障时，每次故障均会导致监测到的风量、风压和节点压能发生变化，得到一个故障样本Xi，进而生成包括若干个故障样本的故障样本数据集X1,X2,X3,...,Xn，其中i为故障样本的编号，n为故障样本的数量；所述故障量为风阻；所述每个故障样本中包括矿井通风系统中每个位置的风量、风压、节点压能和标签，所述标签为矿井通风系统中的故障位置。
3.根据权利要求2所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤2具体包括：
4.根据权利要求2所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤4中所述故障数据图结构中包括节点和表示节点间关系的边，一个节点表示一个故障样本，节点的信息为故障样本中的风量、风压和节点压能。
5.根据权利要求4所述的一种基于图卷积神经网络的矿井通风系统故
6.根据权利要求2所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤5中所述GCN故障诊断模型包括依次连接的GCN输入层、第一图卷积层、第二图卷积层、第三图卷积层和输出层；
7.根据权利要求6所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，所述图卷积操作的计算公式如下：
8.根据权利要求6所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，所述输出层计算公式如下：
...【技术特征摘要】
1.一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤具体为：设定不同故障位置和故障量的大小，当矿井通风系统出现故障时，每次故障均会导致监测到的风量、风压和节点压能发生变化，得到一个故障样本xi，进而生成包括若干个故障样本的故障样本数据集x1,x2,x3,...,xn，其中i为故障样本的编号，n为故障样本的数量；所述故障量为风阻；所述每个故障样本中包括矿井通风系统中每个位置的风量、风压、节点压能和标签，所述标签为矿井通风系统中的故障位置。
3.根据权利要求2所述的一种基于图卷积神经网络的矿井通风系统故障诊断方法，其特征在于，步骤2具体包括：
4.根据权利要求2所述的一种基于图卷积神经网络...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。