专利交易市场

本发明涉及智能矿物处理技术领域，公开了基于图神经网络的矿物浮选性能预测方法及系统，包括：步骤1，获取多源浮选数据并按离散时刻对齐，得到标准化浮选输入样本；步骤2，构建包含多类节点及工艺边、时序边的动态异构浮选关系图；步骤3，建立关系守恒约束并筛选传播路径，得到约束传播图；步骤4，计算结构歧义指数并识别歧义样本对；步骤5，进行图神经网络消息传递，得到节点最终深度特征；步骤6，进行歧义分离并得到品位、回收率和综合性能预测值；步骤7，构建联合目标函数，得到预测模型并输出预测结果和歧义度量值。本发明实现了对矿物浮选过程复杂工艺关系的有效建模及浮选性能的高精度预测。

本发明公开了一种基于分布式输出过程时间图卷积建模方法，该方法包括如下步骤：1)数据的获取和整合；2)拓扑图构建：首先根据实际化工过程中的先验知识构建拓扑图，利用数据驱动的方式寻找潜在的变量关系，并根据这些变量关系来补充拓扑图，从而完整的拓扑图被构建；3)建模训练：构建时间图卷积TGCN模型对训练数据集进行训练，同时建立其它的对比模型进行模型训练；4)模型测试。本发明通过结合先验知识和数据驱动的方法构建拓扑图，利用时间图卷积层同时提取过程变量的变量相关性和时间相关性，在提升模型预测精度的同时，有助于理解变量间的关系，增强模型的可解释性。

本发明公开了一种基于多视角图神经网络的风电机组故障诊断方法，首先从风电场获得多变量传感器时间序列历史数据，将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据，接着对每一种图结构数据进行图表示学习，输入多个独立并行的图卷积神经网络进行特征提取，经过图池化层后使用一个读出层来聚合节点特征从而获得多图特征表示。然后将多图特征表示输入多图交互学习融合模块得到多图共享表示，再将其拼接获得融合后的全局图表示。最后将全局图表示输入FC层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。本发明通过多图交互学习融合，可以学习到更有效的故障特征，提高故障诊断精度。