CN119494028A 基于图神经网络的送水泵组健康状态监测方法和系统 （广州市自来水有限公司）

基于图神经网络的送水泵组健康状态监测本发明公开了一种基于图神经网络的送水2步骤S300：基于所述训练数据集对预设的图神经网络模型步骤S400：将送水泵组的实时多模态数据输入所述送步骤S310：从预处理的多模态数据中提取各模态数据泵组健康特征包括声音信号的全局性特征和振动信步骤S320：通过图神经网络模型的特征提取网络融合步骤S330：根据所述融合送水泵组健康特征，通过图神步骤S340：根据所述图神经网络模型的预测值与真实值步骤S350：将所述训练数据集输入到所述图神经网络步骤S341：采用伪胡贝尔函数构建第一损失函数，步骤S342：根据所述图神经网络模型的预测值与真3步骤S352：设置所述送水泵组健康状态监测模型的优化器步骤S353：从所述训练数据集中随机采集步骤S354：根据所述样本子集的预测值与真实值，使用5.如权利要求1～4任一项所述的基于图步骤S500：根据预设的统计周期定期检查所述送水泵组步骤S510：检查送水泵组健康状态监测模型是否满足以步骤S520：获取最新的多模态数据作为训练数据，对构建第二损失函数，所述第二损失函数包括无监督4前模型输出健康指标预测值；p0为样本i模型预测的健康指标历史最大值；ji为样本i历史步骤S522：根据所述图神经网络模型的预测值与真步骤S640：从所述更新训练数据集中随机采集预设数步骤S650：根据所述第二损失函数，计算所述采集模块，用于采集送水泵组的多模态数据，所述多模态数据包生成模块，基于所述训练数据集对预设的图神经网络模型进行训预测模块，将送水泵组的实时多模态数据输入所述送水泵组健康10.如权利要求9所述的基于图神经网络的送水泵组健康状态监测系统，其特征在于，更新模块，用于根据预设的统计周期定期检查所述送水泵5[0004]本发明的主要目的在于提供一种基于图神经网络的送水泵组健康状态监测方法[0009]步骤S400：将送水泵组的实时多模态数据输入所述送水送水泵组健康特征包括声音信号的全局性特征和振动信号的局6[0014]步骤S340：根据所述图神经网络模型的预测值与真实值使用Adam优化器根据计算的梯度值更新所78[0053]预测模块，将送水泵组的实时多模态数据输入所述送水康状态监测程序被处理器执行时实现如第一方面所述的基于图神经网络的送水泵组健康[0058]本发明提供了一种基于图神经网络的送水泵组健康状态基于图神经网络的送水泵组健康状态监测方法通过使用图神经网络来融合送水泵组多模[0060]图1为本发明实施例提供的基于图神经网络的送水泵组健康状态监测方法的流程[0063]图4为本发明实施例提供的基于预设的第一损失函数训练图神经网络模型的方法[0064]图5为本发明实施例提供的另一个基于图神经网络的送水泵组健康状态监测方法9[0065]图6为本发明实施例提供的根据预设的统计周期定期检查所述送水泵组健康状态[0067]图8为本发明实施例提供的用第二损失函数对所述送水泵组健康状态监测模型进[0068]图9为本发明实施例提供的基于图神经网络的送水泵组健康状态监测系统的示意[0074]参照图1图8为本发明方法的流程图，本发明第一方面提供一种基于图神经网络[0078]步骤S400：将送水泵组的实时多模态数据输入所述送水[0079]具体的，可以通过选择安装在送水泵组上的传感器来收集送水泵组的多模态数举使用声音传感器和振动传感器的场景，但本申请的保护范围不限于声音数据和振动数合处理图结构数据的图神经网络模型，从预处理后的多模态数据中提取送水泵组健康特送水泵组健康特征包括声音信号的全局性特征和振动信号的局[0084]步骤S340：根据所述图神经网络模型的预测值与真实值节点的特征向量；选择适合处理图结构数据的图神经网络模型，如图卷积网络(GraphConvolutionalNetworks,GCNs)或图注意力网络(GraphAttentionNetworks,GATs)，通泵组健康特征，通过图神经网络模型的回归预测网络胡贝尔损失函数在误差较大时采用类似平均绝对误差(MAE)的形式，而在误差较小时采用类似均方误差(MSE)的形式。这种平滑的过渡使得损失函数在整个误差范围内都是连续且可以灵活地控制损失函数在不同误差范围内的行为。较小的δ值使得损失函数更接近MSE，使用Adam优化器根据计算的梯度值更新所找到合适的参数空间，避免局部最优解；使用Adam优化器则结合了动量法和RMSProp的优遍历完一个epoch后记录迭代优化次数。通过遍历整个训练数据集和设置迭代优化次数阈并在每次检查时更新模型的运行时长，设定一个固定的算结果与预设的阈值进行比较。例如，预设的准确率阈值为90精确率阈值为85召回的预测值。终身学习部分用于衡量当前模型的预测值pi与历史模型的预测值ji之间的差异，通过最大plog(p1),可以确保当前模型的预测值pi与历史模型的预测值保持一致，测值与样本真实标签的损失值，通过反向传播算法计算损失函数关于模型参数的梯度值，[0140]参照图9，本发明第二方面提供一种基于图神经网络的送水泵组健康状态监测系[0144]预测模块，将送水泵组的实时多模态数据输入所述送水监测程序被处理器执行时实现如上述任一实施例所述的基于图神经网络的送水泵组健康他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器种接口和线路连接整个基于图神经网络的送水泵组健康状态监测系统处理可运行装置的[0150]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据[0152]本发明提供了一种基于图神经网络的送水泵组健康状态基于图神经网络的送水泵组健康状态监测方法通过使用图神经网络来融合送水泵组多模图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的