采用多变量耦合网络与变分图自编码器的机械设备异常检测方法

为了全面准确地检测出潜在的设备异常,针对汽轮机、风电转子等高关联耦合分布式系统多测点多源传感器产生的多维多态监测数据,提出了一种基于多变量耦合网络与变分图自编码器的异常检测方法。首先采用去趋势互相关分析(DCCA),定量分析多维变量间的耦合关系,构建复杂系统多变量耦合关系网络。在此基础上,建立基于无监督学习的变分图自编码模型,对系统多变量耦合关系网络进行特征提取,使用正常数据训练该模型,图卷积网络作为编码器学习输入数据的分布,采样获得其潜在表示,以实现耦合网络的重构,采用重建概率作为系统多维多态监测数据异常检测评价指标。最后以某火电厂汽轮机组转子系统监测数据为例开展异常检测分析,结果表明:考虑多维多态监测数据间的耦合关系,提高了系统异常检测的准确性和可靠性;引入基于变分图自编码器的无监督学习方法,降低了经验依赖性并克服了异常样本少的问题。

基于专利知识流网络和图表示学习的技术机会链路预测研究

[目的/意义]准确地对技术机会进行预测,能够帮助组织评估和发现具有前景的技术机会,支撑和优化技术研发战略决策与布局,从而提升组织在技术创新领域的竞争优势。[方法/过程]提出一种基于VGAE框架的ss-VGAE技术预测方法。首先,运用生长曲线划分和确定目标领域的生命周期,运用能够兼顾主副IPC的方法在各阶段建立专利知识流网络,并分别提取网络中各个节点的语义特征和结构特征;其次,使用变分图自编码器(VGAE)学习节点的向量表示;最后,利用重构出的邻接矩阵进行技术机会链路预测。[结果/结论]使用石墨烯专利数据对本文方法的有效性进行验证,结果显示基于ss-VGAE的技术机会链路预测模型取得的AUC、AP均优于其他模型,并在当前石墨烯知识流网络上的技术机会进行预测,验证该模型能够有效地挖掘潜在的技术机会,支撑技术研发战略决策和组织技术竞争力的提升。