CN115291091B 一种基于图神经网络的模拟电路故障诊断方法 （哈尔滨工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115291091B(45)授权公告日2025.01.10

(21)申请号202210987528.7

(22)申请日2022.08.17

(65)同一申请的已公布的文献号申请公布号CN115291091A

(43)申请公布日2022.11.04

(73)专利权人哈尔滨工业大学

地址150006黑龙江省哈尔滨市南岗区西

大直街92号

(72)发明人杨京礼李晔高天宇

(74)专利代理机构北京慕达星云知识产权代理事务所(特殊普通合伙)

11465

专利代理师符继超

GO6F18/241(2023.01)

GO6N3/042(2023.01)

GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN112488213A,2021.03.12CN112651167A,2021.04.13CN113639993A,2021.11.12审查员李龙

(51)Int.CI.

G01R31/316(2006.01)权利要求书3页说明书9页附图2页

(54)发明名称

一种基于图神经网络的模拟电路故障诊断方法

(57)摘要

CN115291091B本发明公开了一种基于图神经网络的模拟电路故障诊断方法。该方法在构建故障样本图时，将样本间的结构特征形成结构间的约束，也就是样本节点间的边；在图神经网络对故障样本图进行处理时，提取结构特征和样本的数据特征对样本进行故障状态分类。故障样本图中的这一结构约束，不仅帮助模型提取到更多的有效特征以进行故障分类，从而提升了模型的故障诊断准确率；同时也起到了样本聚类的效果，在训练集

CN115291091B

开始

开始

采样数据集

随机给样本添加训练集、测试集Mask

构建模拟电路故障样本图

初始化图神经网络参数

前向传输所有节点特征

训练集节点

计算损失函数

反向优化更新权重系数

是香达到平衡?

前向传输所有节点特征

输出测试集节点标签

结束

模型训练

CN115291091B权利要求书1/3页

2

1.一种基于图神经网络的模拟电路故障诊断方法，其特征在于，包括以下步骤：

S1.采样电路输出端的脉冲响应信号构建故障样本数据集，每类故障状态均包括至少一组样本数据；

S2.将所述故障样本数据集分为训练集和测试集；

S3.以采样样本为节点V,样本的多维数据特征为节点特征，形成节点特征矩阵X,计算节点两两之间的余弦相似度；每个节点与固定数量个最为相似的邻居节点之间的连接关系E作为边，构建故障样本图，所述固定数量通过所述故障样本图中同一类别的训练集样本节点间的连接准确度确定；计算每一种故障状态下正确连接关系所占百分比，即为该状态下的连接准确度；

S4.初始化图神经网络参数，在训练阶段，所有节点参与节点特征的前向传输，并仅在训练集节点上进行损失函数的计算及对应参数的优化更新，训练至模型收敛，建立基于图神经网络的故障诊断分类模型；

将所述故障样本图输入所述图神经网络，所述故障样本图节点的连接关系E采用邻接矩阵A表示：

其中N表示样本数量；

S5.利用基于图神经网络的故障诊断分类模型预测测试集节点的类别标签，输出诊断结果。

2.根据权利要求1所述的一种基于图神经网络的模拟电路故障诊断方法，其特征在于，S3的具体内容包括：

S31.选择故障样本为节点，样本数据为节点特征，特征维度为N;根据节点特征构建节点间的连接关系：

针对故障样本集中的任意两个样本x和y,其中i=1,2,…,N,计算两个样本x和y余弦相似度r的方法为：

其中，余弦相似度定义为样本向量间的夹角余弦值；绝对值越接近1,则样本向量的夹角越接近于0,表明两个样本越相似；

S32.循环计算每个节点与其余节点的余弦相似度，认为每个节点与固定数量个最为相似的节点属于同一故障状态，在同一故障状态下的节点之间的连接关系作为边；

S33.确定节点和节点间的连接关系后，构建得到故障样本图。

3.根据权利要求1所述的一种