(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111633669.0 (22)申请日 2021.12.28 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区朝晖六 区 (72)发明人 刘毅　贾明伟　朱佳良　邓鸿英　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 代理人 汤明 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度图网络的化工过程故障诊断 方法 (57)摘要 本发明公开了一种基于深度图网络的化工 过程故障诊断方法， 所述方法包括以下步骤： (1) 数据的获取和整合； (2)数据选择和排序； (3)建 立因果有向图； (4)建模训练； (5)模型测试。 本发 明方法采用基于深度图网络的化工过程故障诊 断方法， 提高了故障的识别效果， 同时也准确定 位故障变量， 具有 普遍性和通用性。 权利要求书3页 说明书9页 附图3页 CN 114330549 A 2022.04.12 CN 114330549 A 1.一种基于深度图网络的化工过程故障诊断方法， 其特征在于， 所述方法包括以下步 骤： 1)数据的获取和整合： 通过田纳西 ‑伊斯曼TE仿真过程设置阶跃故障， 并对每个故障生成数据进行划分、 收集 和整合； 2)数据选择和排序： 根据欧式距离度量进行数据选择， 去 除冗余无用的数据； 根据最大互信息准则进行数 据排序； 3)建立因果有向图： 根据TE流 程图， 对其变量之间构建因果有向图； 4)建模训练： 构建基于深度时空图卷积网络DSTCGCN模型， 模型的输入为经过数据选择保留的数据； 然后利用D STCGCN模型对所整合的数据进行 学习训练； 5)模型测试： 将训练后的D STCGCN模型用于TE过程的故障诊断。 2.如权利要求1所述的一种基于深度图网络的化工过程故障诊断方法， 其特征在于， 所 述步骤1)的过程 为： 步骤1.1： 设定TE过程故障， 获得每 个故障的输出 数据； 步骤1.2： 将数据根据比例划分成训练集和 测试集； 步骤1.3： 由于不同特征变量之间数据差异性较大， 因此有必要对数据进行标准化处 理， 以便于模型进行处 理和运算， 具体公式如下 所示： 其中， X'是经标准化处理后的数据， X是未经标准化处理的原数据， μ是数据的均值， γ 是数据的标准差 。 3.如权利要求1所述的一种基于深度图网络的化工过程故障诊断方法， 其特征在于， 所 述步骤2)的过程 为： 步骤2.1： 使用欧式距 离度量每个变量的数据与正 常工况之间的相似度rz， 其表示编号z 故障变量与编号z正常变量之间的相似度， 相似度越大表示该变量对于故障的贡献度越小； 相似度rz的公式如下： Z为故障类别总数， ε是为了防止分母为0的无限小量， xz和x0分别表示编号z 故障变量与 编号z正常变量； 步骤2.2： 排除相似度为0.98 ‑1的变量， 完成特 征选择过程； 步骤2.3： 随机 选择一个 变量， 计算剩余变量对于所选变量的最大互信息， 其公式如下：权　利　要　求　书 1/3 页 2 CN 114330549 A 2其中p(x,y)为随机变量x和y 之间的联合 概率分布， B＝ N0.55～0.6， N为样本集的大小； 步骤2.4： 根据最大互信息对特 征进行排序。 4.如权利要求1所述的一种基于深度图网络的化工过程故障诊断方法， 其特征在于， 所 述步骤3)的过程 为： 步骤3.1： 将工艺过程沿工艺 流程分解为若干设备级单 元； 步骤3.2： 在设备 单元连接处标记数字； 步骤3.3： 建立每一设备 单元的因果有向图； 步骤3.4： 利用各设备单元的因果有向图， 根据工艺流程和设备单元连接处标的数字构 建系统的因果有向图。 5.如权利要求1所述的一种基于深度图网络的化工过程故障诊断方法， 其特征在于， 所 述步骤4)的过程 为： 步骤4.1： D STCGCN是依托固定采样层、 图池化层、 时空图卷积层构建的层级模型； 固定采样层主要是将输入不同时间长度的数据进行固定数量的划分后取平均得到固 定时间长度的数据； 图池化层是一种可以简化图结构的算法， 对于图G， 定义簇分配矩阵 其中C表 示简化后的图节点数量， 最终得到简化后的邻接矩阵Acoar： Acoar＝STAS    (3) 其中A为原本Z个节点的因果有向图邻 接矩阵， 根据简化后的节点数R， 使用其拉普拉斯 矩阵定义 其池化算子以简化变量数： 其中Θl为邻接矩阵Acoar的特征向量； 时空卷积层主要由图卷积网络和卷积长短期记忆网络构 成， 图卷积是一种在非欧空间 上对数据进行 卷积的算法， 可以表示 为： 其中H为当前层特征向量， l表示层数， *表示卷积操作， Γ为卷积核， σ 为激活函数， A表 示输入的邻接矩阵， D＝∑jAj表示邻接矩阵的度矩阵； 卷积长短期记忆网络是通过其当前的输入和过去的状态来确定网格中某个单元的未 来状态的算法， 可以表示 为： 其中， 表示Hadamar d乘积， It表示输入门的结果， Ft表示遗忘门的结果， Ct表示当前时权　利　要　求　书 2/3 页 3 CN 114330549 A 3