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！

龙图腾网获悉浙江工业大学申请的专利一种基于深度图网络的化工过程故障诊断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：CN114330549B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202111633669.0，技术领域涉及：G06F18/22；该发明授权一种基于深度图网络的化工过程故障诊断方法是由刘毅;贾明伟;朱佳良;邓鸿英设计研发完成，并于2021-12-28向国家知识产权局提交的专利申请。

本一种基于深度图网络的化工过程故障诊断方法在说明书摘要公布了：本发明公开了一种基于深度图网络的化工过程故障诊断方法，所述方法包括以下步骤：1数据的获取和整合；2数据选择和排序；3建立因果有向图；4建模训练；5模型测试。本发明方法采用基于深度图网络的化工过程故障诊断方法，提高了故障的识别效果，同时也准确定位故障变量，具有普遍性和通用性。

本发明授权一种基于深度图网络的化工过程故障诊断方法在权利要求书中公布了：1.一种基于深度图网络的化工过程故障诊断方法，其特征在于，所述方法包括以下步骤： 1数据的获取和整合： 通过田纳西-伊斯曼TE仿真过程设置阶跃故障，并对每个故障生成数据进行划分、收集和整合； 2数据选择和排序： 根据欧式距离度量进行数据选择，去除冗余无用的数据；根据最大互信息准则进行数据排序； 3建立因果有向图： 根据TE流程图，对其变量之间构建因果有向图； 所述步骤3的过程为： 步骤3.1：将工艺过程沿工艺流程分解为若干设备级单元； 步骤3.2：在设备单元连接处标记数字； 步骤3.3：建立每一设备单元的因果有向图； 步骤3.4：利用各设备单元的因果有向图，根据工艺流程和设备单元连接处标的数字构建系统的因果有向图； 4建模训练： 构建基于深度时空图卷积网络DSTCGCN模型，模型的输入为经过数据选择保留的数据；然后利用DSTCGCN模型对所整合的数据进行学习训练； 所述步骤4的过程为： 步骤4.1：DSTCGCN是依托固定采样层、图池化层、时空图卷积层构建的层级模型； 固定采样层主要是将输入不同时间长度的数据进行固定数量的划分后取平均得到固定时间长度的数据； 图池化层是一种可以简化图结构的算法，对于图G，定义簇分配矩阵其中C表示简化后的图节点数量，最终得到简化后的邻接矩阵Acoar： Acoar＝STAS3 其中A为原本Z个节点的因果有向图邻接矩阵，根据简化后的节点数R，使用其拉普拉斯矩阵定义其池化算子以简化变量数： 其中Θl为邻接矩阵Acoar的特征向量； 时空卷积层主要由图卷积网络和卷积长短期记忆网络构成，图卷积是一种在非欧空间上对数据进行卷积的算法，可以表示为： 其中H为当前层特征向量，l表示层数，*表示卷积操作，Γ为卷积核，σ为激活函数，A表示输入的邻接矩阵，D＝∑jAj表示邻接矩阵的度矩阵； 卷积长短期记忆网络是通过其当前的输入和过去的状态来确定网格中某个单元的未来状态的算法，可以表示为： 其中，表示Hadamard乘积，It表示输入门的结果，Ft表示遗忘门的结果，Ct表示当前时刻记忆单元的结果，Ot表示输出门的结果，Ht表示当前时刻的模块输出结果，W表示可训练参数，B表示可训练偏置，Xt表示输入数据，tanh.表示双曲正切函数，Wxi,Wxf,Wxc,Wxo分别表示输入门、遗忘门、记忆单元和输出门中输入数据Xt的可训练权重；Whi,Whf,Whc,Who分别表示输入门、遗忘门、记忆单元和输出门中上一时刻模块输出结果Ht-1的可训练权重；Bi,Bf,Bc,Bo分别表示输入门、遗忘门、记忆单元和输出门中的可训练偏置； 步骤4.2：将4.1中的层按顺序堆叠，并且结合特征选择和排序部分构成所需DSTCGCN模型，通过DSTCGCN模型对TE过程进行故障识别； 步骤4.3：使用训练数据训练DSTCGCN，最终得到训练后的DSTCGCN模型； 5模型测试： 将训练后的DSTCGCN模型用于TE过程的故障诊断。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区朝晖六区；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”。