CN119416067A 一种基于图异常检测的航电系统故障诊断方法及系统 （南京禄口国际机场空港科技有限公司）

司一种基于图异常检测的航电系统故障诊断本发明提出了一种基于图异常检测的航电系统使用全局注意力机制与图结构进行故障诊2根据所述传感器网络拓扑图更新传感器节点的对所述时序数据进行清洗和预处理，所述清洗包括使用低通滤波去除通过皮尔逊相关系数计算传感器的统计特征的相关性数值，当所述创建循环神经网络模型，将训练集输入到所述循环在验证集上运行更新后的循环神经网络模型，获取logits输出，基于基于GumbelSoftmax输出构建传感器通过学习模型学习到所有层节点的嵌入信息，具体的所述学习模型为：j个传感器节点之间的关联性度量，表示第k层中航电系统的第i个传感器节点的嵌入基于学习到的所有层节点的嵌入信息通过状态更新模型来更新每层节点i的嵌入向其中，表示更新后的第k层中航电系统的第i个3根据循环神经网络模型更新的传感器的嵌入式表示和实际测量的传感器的嵌入式表根据标记的异常利用传感器网络拓扑图的邻域信息更新故障传播的状构建传感器网络拓扑图模块，用于获取航电系统的更新嵌入式表示模块，应用根据所述传感器网络拓扑图更新传感器节点的嵌入式表预处理模块，用于对所述时序数据进行清洗和预处理，所述清洗包构建隐含标签模块，用于通过皮尔逊相关系数计算传感器的统计特征的相关性数值，划分数据集模块，用于将特征数据和对应的标签数据构建为数训练模型模块，用于创建循环神经网络模型，将训练输出模块，用于在验证集上运行更新后的循环神经网络模型，获取logi其中，:表示航电系统中传感器节点i和j的连接概率，4学习嵌入信息模块，用于通过学习模型学习到所有层节点的嵌节点的嵌入表示，表示第k层中航电系统的第j个传感器节点的嵌入表示,f表示z的非状态更新模块，用于基于学习到的所有层节点的嵌入信息通过状态其中，表示更新后的第k层中航电系统的第i获得重构误差模块，用于根据循环神经网络模型更新的传感器的标记异常模块，用于若所述重构误差大于第二预设阈值时，则标记该传5根据所述传感器网络拓扑图更新传感器节点的6基于GumbelSoftmax输出构建传感器通过学习模型学习到所有层节点的嵌入信息，具体的所述学习模型为：示第k层中航电系统的第j个传感器节点的嵌入表示,f表示z的非负递减函数，N表示循环基于学习到的所有层节点的嵌入信息通过状态更新模型来更新每层节点i的嵌入根据循环神经网络模型更新的传感器的嵌入式表示和实际测量的传感器的嵌入7点与第j个传感器节点之间的关联性度量，表示第k层中航电系统8的GNN和最基础的MLP聚合邻居的方式，而是采取一种计算all_pair全注意力的attention根据所述传感器网络拓扑图更新传感器节点的9基于GumbelSoftmax输出构建传感器的质量，使用循环神经网络处理时序数据，提升了对动态特性的处理能力；利用Gumbel合实际传感器网络的连接性；自动构建传感器网络拓扑图，通过logits和Gumbel的拓扑结构。[0021]本发明的一个实施例，根据所述传感器网络拓扑图更新传感器节点的嵌入式表通过学习模型学习到所有层节点的嵌入信息，具体的所述学习模型为：其中，表示第k层中航电系统的第i个传感器节点与第j个表示第k层中航电系统的第j个传感器节点的嵌入表示,f表示z的非负递减基于学习到的所有层节点的嵌入信息通过状态更新模型来更新每层节点i的嵌入根据循环神经网络模型更新的传感器的嵌入式表示和实际测量的传感器的嵌入行行为及其在时间维度上的特性;实际的测量数表传感器真实观测到的状态；对比预测嵌入和实际嵌入的差异，计算重构误差：是一个标量，表示航电系统中传感器i在当前状态中是否偏离历史模型的正常预测，若e)超过第二预设阈值，则表明传感器i的观测值偏离正常状态的质量，使用循环神经网络处理时序数据，提升了对动态特性的处理能力；利用Gumbel贴合实际传感器网络的连接性；自动构建传感器网络拓扑图，通过logits和Gumbel的拓扑结构。点与第j个传感器节点之间的关联性度量，表示第k层中航电系统的第i个传感器节点其中，表示更新后的第k层中航电系统的第i个传感器节点的嵌入表示，表示温度参行行为及其在时间维度上的特性;实际的测量数据同样生成传感器的嵌入式表示，代表传感器真实