(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210743095.0 (22)申请日 2022.06.28 (71)申请人 山东大学 地址 250014 山东省济南市历城区山大南 路27号 申请人 山东玲珑轮胎股份有限公司 (72)发明人 史玉良　张建林　李建星　翟洪伟　 王新军　孔凡玉　李晖　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 王雪 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06F 16/215(2019.01)G06F 16/36(2019.01) G06F 16/28(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图注意力网络关系嵌入的设备故障预 测方法及系统 (57)摘要 本发明提供了基于图注意力网络关系嵌入 的设备故障预测方法及系统。 其中， 该方法包括 基于已有的设备故障记录， 构建运维知识图谱， 将故障记录映射到知识图谱的对应实体中， 提取 每种故障对应的三元组， 根据不同的关系将每个 三元组划分为若干个三元组； 基于三元组集合， 引入图注 意力网络， 量化故障记录和知识图谱中 故障之间的相关性， 实现在相同交互关系上尾部 实体到头部实体的信息聚合和关系嵌入向量的 学习， 得到设备故障向量； 将设备故障向量输出 至softmax 函数， 输出候选故障的概率 分布， 筛选 概率最大的候选故障作为预测结果； 将预测结果 与实际的故障记录进行对比， 并将比对结果反馈 至图注意力网络来优化图注意力网络中的数据 权重值， 以提高预测结果的精准 性。 权利要求书2页 说明书7页 附图5页 CN 115115113 A 2022.09.27 CN 115115113 A 1.一种基于图注意力网络关系嵌入的设备故障预测方法， 其特 征在于， 包括： 基于设备故障记录， 构建运维知识图谱， 将 故障记录映射到知识图谱的对应实体中， 提 取每种故障对应的三元组， 根据不同的关系将每个三元组划分为若干个三元组， 得到三元 组集合； 基于三元组集合， 引入图注意力网络， 量化故障记录与知识图谱中设备故障的相关性， 实现在相同交互关系上尾部实体到头部实体的信息聚合和关系嵌入向量的学习， 得到 设备 故障向量； 将设备故障向量输出至softmax函数， 输出候选故障的概率分布， 筛选概率最大的候选 故障作为预测结果； 将预测结果与实际的设备故障记录进行对比， 并将比对结果反馈至图注意力网络来优 化图注意力网络中的数据权 重值， 以提高预测结果的精准 性。 2.如权利要求1所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 将设备故障记录映射到知识图谱的对应实体中之前， 还 包括： 对设备故障记录进行预处理， 其中预处理包含数据清洗、 缺失数据补全、 数据定义以及 规范化处 理。 3.如权利要求1所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 基于获取的三元组集合， 引入图注意力网络， 计算每个交互的重要性， 量化 故障记录与知识 图谱中设备故障之间的相关性。 4.如权利要求1所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 所述基于图注意力网络关系嵌入的设备故障预测方法， 还 包括： 计算softmax函数输出值的损失函数， 采用Adam算法训练图注意力网络和softmax函数 中的学习参数， 完成图注意力网络和softmax函数的训练。 5.如权利要求4所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 采用交叉熵作为softmax函数输出值的损失函数。 6.如权利要求1所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 三元组中的元 素包括： 头实体、 尾实体以及头实体和尾实体之间的关系。 7.如权利要求1所述的基于图注意力网络关系嵌入的设备故障预测方法， 其特征在于， 在知识图谱中， 头 部实体通过相同的关系指向不同的尾部实体。 8.一种基于图注意力网络关系嵌入的设备故障预测系统， 其特 征在于， 包括： 三元组集合提取模块， 其用于基于设备故障记录， 构建运维知识图谱， 将 故障记录映射 到知识图谱的对应实体中， 提取每种故障对应的三元组， 根据不同的关系将每个三元组划 分为若干个三元组， 得到三元组集 合； 设备故障向量学习模块， 其用于基于三元组集合， 引入图注意力网络， 量化故障记录与 知识图谱中设备故障之 间的相关性， 实现在相同交互关系上尾部实体到头部实体的信息聚 合和关系嵌入向量的学习， 得到设备故障向量； 目标预测模块， 其用于将设备故障向量输出至softmax函数， 输出候选故障的概率分 布， 筛选概率最大的候选故障作为预测结果； 图注意力网络优化模块， 其用于将预测结果与实 际的设备故障记录进行对比， 并将比 对结果反馈至图注意力网络来优化图注意力网络中的数据权重值， 以提高预测结果的精准权　利　要　求　书 1/2 页 2 CN 115115113 A 2性。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑7中任一项 所述的基于图注意力网络 关系嵌入的设备故障预测方法 中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的基 于图注意力网络关系嵌入的设备故障预测方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115115113 A 3