买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜同济大学申请的专利一种面向工业设备异常监测的时序数据与知识融合表征方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114625883B 。

龙图腾网通过国家知识产权局官网在2025-03-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210126690.X，技术领域涉及：G06N5/022；该发明授权一种面向工业设备异常监测的时序数据与知识融合表征方法是由王成;唐昊设计研发完成，并于2022-02-10向国家知识产权局提交的专利申请。

本一种面向工业设备异常监测的时序数据与知识融合表征方法在说明书摘要公布了：本发明属于工业设备异常监测领域，提出了一种面向工业设备异常监测的时序数据与知识融合表征方法。其特征在于，包括如下步骤：步骤1.预处理；步骤2.构建“设备‑事件‑状态”多层关联图谱，并通过引入数据关联、时间关联、先验关联进行更新；步骤3.网络表征学习。解决了传统设备数据库专业性强、适应性弱的弊病，为工业互联网场景中数据的自动化处理提供了新的思路和解决方法。

本发明授权一种面向工业设备异常监测的时序数据与知识融合表征方法在权利要求书中公布了：1.一种面向工业设备异常监测的时序数据与知识融合表征方法，其特征在于，包括如下步骤：步骤1.预处理步骤1.1划分并收集原始数据划分工业设备功能单元，根据功能单元收集所需要的原始数据；步骤1.2预处理对原始的数据进行预处理，具体为：首先对带噪声的原始数据进行平滑，然后按照功能将相关的数据整合在一起；步骤1.3离散化处理对原始工业设备事件数据中的所有属性进行离散化处理；步骤2.构建“设备-事件-状态”多层关联图谱，并通过引入数据关联、时间关联、先验关联进行更新步骤2.1对预处理结束之后的数据，构建多层次融合的分层关联图谱所述分层关联图谱分为图谱设备层，图谱事件层和图谱状态层：所述图谱设备层是由不同设备组成的空间,即D＝{a1,a2,…,b1,b2,…}，其中a1,a2,…,b1,b2,…为不同元设备；所述图谱事件层是由发生的不同事件组成的序列空间，即E＝{e1,e2,e3,…}，其中e1,e2,e3,…代表设备相关的不可再分的元事件，事件类型包括正常事件和异常事件；所述图谱状态层是由设备的不同特征组成的空间，即A＝{n1,n2,…,T1,T2,…,i1,i2,…}；其中，n1,n2,…,T1,T2,…,i1,i2,…为不同元状态；遍历图谱设备层中的设备节点，通过有向边与图谱事件层中所有正常事件节点相连接，有向边权重设置为该正常事件发生的时间；遍历图谱设备层中的设备节点，通过有向边将图谱事件层中所有异常事件节点与设备层对应节点相连接，有向边权重设置为该异常事件发生的时间；遍历图谱事件层中的事件节点，通过有向边将该事件节点与图谱状态层中所有相关联的状态节点相连接，有向边权重设置为该状态所属的功能模块类型，所述功能模块类型需统一编码；遍历图谱事件层中的事件节点，通过有向边将该事件节点与存在依赖关系的其他事件节点连接，有向边权重设置为两个事件发生的时间间隔；通过这种方法，得到的分层图谱可表示为G1＝V1,R1,其中节点集合V1＝D∪E∪A,有向边集合R1＝D→E∪E→D∪E→A∪E→E，其中，D→E表示由设备层到事件层有向边的集合，E→D由事件层到设备层有向边的集合，E→A表示由事件层到状态层有向边的集合，E→E表示事件间有向边的集合；步骤2.2通过引入数据关联、时间关联、先验关联以更新所述“设备-事件-状态”多层关联图谱，并根据设备之间的关联性和概率分布情况进行建模得到一张完整的概率图模型步骤2.2.1通过对预处理后的原始数据特征进行统计分析并辅以历史的经验知识，引入状态层上的数据关联，引入历史数据中的相关设备，并更新节点集合V1，得到新集合V2；步骤2.2.2通过引入时间关联，进一步丰富设备层和事件层之间的关联信息；具体来说，每当设备的一个事件在ti时刻发生，连结对应的设备节点和事件节点，给对应的边赋予相应的权重ti，并且对D→E和E→D中的相关边进行更新操作；更新后边的集合R2，引入时间关联后的关联图谱可表示为：G2＝V2,R2，其中，V2,R2的意义同V1，R1；步骤2.2.3专家知识融合贝叶斯网络模型，根据设备之间的关联性和概率分布情况进行建模得到一张完整的概率图模型；用专家知识融合贝叶斯网络模型，综合多名领域专家知识经过决策得到了一个包含先验知识的网络结构G3＝V3,R3；其中V3＝{S1,S2,...,Sn}代表一组设备状态Sn的随机特征变量序列，R3代表有向边的集合，其中，V3,R3的意义同V1，R1；因为也存在专家意见不统一的情况，以及包含专家知识无法包含的隐性关联，专家知识得到的网络结构并不是最终的网络结构，需要使用学习算法对G3进行处理以获取更准确的结构表达，得到最终的网络结构G4＝V4,R4，其中，V4,R4的意义同V1，R1；最后利用G4＝V4,R4对G2＝V2,R2进行更新：对于V2中没有出现的节点，利用V4的节点集合对V2进行更新，对于R2中存在但是R4中不存在的边，予以删除，对于R2中不存在但是R4中存在的边，予以补充；最终得到了多层关联图谱G5＝V5,R5，其中，V5,R5的意义同V1，R1；步骤3.网络表征学习基于上述步骤中所构建的信息网络图G5，首先得到G5中设备-事件-状态节点的邻接矩阵Z，根据Z得到度矩阵然后采用异质网络表征学习方法，通过多次图卷积层学习特征，如公式1； 其中，Wl为权重矩阵，使用随机值初始化，是可训练的参数矩阵；Hl为输入向量，H0通过随机游走对图进行采样从G5中得到，l代表神经网络的第l层，σ代表激活函数， In是单位矩阵；实施中根据需求和复杂度确定神经网络的层数L，使用上述公式经过叠加多次卷积层得到最终特征表示HL。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。