基于改进关联规则的卸船机故障预测模型

为使桥式抓斗卸船机安全稳定运行,针对大量监测数据利用率低、故障诊断不及时等问题,提出了基于兴趣度关联规则的卸船机故障预测模型方法。采用传感器监测和时域分析方法获取卸船机运行参数空间,利用聚类离散算法将监测数据根据其属性值域离散为非线性聚类区间,获取卸船机关联规则组,提取状态数据关联维的权重系数,构建状态监测数据关联规则指向性特征约束函数模型,通过预测模型中关联规则状态的改变实现故障预测。实验结果表明,该方法能有效表征卸船机运行状态监测的关联内部特征信息,实现对卸船机故障类别的预测,降低卸船机故障发生的频率。     

基于因果推断的图注意力网络

图注意力网络(Graph Attention Network,GAT)是一种重要的图神经网络,在分类任务中有着广泛的应用.但是当图中邻域节点受到干扰时,模型分类准确度会受影响而降低.对此,提出一种基于因果推断的图注意力网络(Causal Graph At-tention Network,C-GAT)以提升网络的鲁棒性.该模型首先计算目标节点的邻域与其标签之间的因果权重,并以此对邻域进行因果采样;然后计算采样后邻域与 目标节点之间的注意力系数;最后根据注意力系数对邻域信息进行加权聚合,获得目标节点的嵌入特征.在Cora,Pubmed和Citeseer数据集上的实验结果表明,在无扰动的情况下,C-GAT的分类性能与经典模型持平;在有扰动的情况下,相比于经典模型,C-GAT的分类准确度至少提升了 6％,在鲁棒性和时间成本上有着较好的平衡.