基于知识图谱多集池化的健康状态智能评估方法

TH17; 为了从装备传感器监测数据和其他关联数据中提取更全面的时间域和空间域特征信息,提出一种基于知识图谱多集池化的健康状态评估方法.构建了带时间标签的健康知识图谱,以建模装备一段时间内监测数据、部件组成数据和先验知识间的时空依赖关系.在此基础上,设计了图多集池化网络模型,该模型通过节点特征学习、第一级图池化、自注意力特征学习和第二级图池化能够生成图谱的整体向量表示,将健康状态评估转换为基于表示学习的图谱分类任务.在公开的发动机数据集上对所提方法进行了实验评价,结果表明,该方法能够获得较高的评估准确度,在小样本情况下也表现出良好的优势....

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 3; pp. 893 - 905
Main Authors 张元鸣, 肖士易, 徐雪松, 程振波, 肖刚
Format Journal Article
LanguageChinese
Published 浙江工业大学计算机科学与技术学院,浙江 杭州 310023 31.03.2024
Subjects
图池化
图神经网络
健康状态评估
graph pooling
graph neural network
知识图谱
knowledge graph
时空特征
health evaluation
spatiotemporal features
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.0948

Cover

More Information
Summary:TH17; 为了从装备传感器监测数据和其他关联数据中提取更全面的时间域和空间域特征信息,提出一种基于知识图谱多集池化的健康状态评估方法.构建了带时间标签的健康知识图谱,以建模装备一段时间内监测数据、部件组成数据和先验知识间的时空依赖关系.在此基础上,设计了图多集池化网络模型,该模型通过节点特征学习、第一级图池化、自注意力特征学习和第二级图池化能够生成图谱的整体向量表示,将健康状态评估转换为基于表示学习的图谱分类任务.在公开的发动机数据集上对所提方法进行了实验评价,结果表明,该方法能够获得较高的评估准确度,在小样本情况下也表现出良好的优势.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.0948