【IEEETNNLS】用于复杂工业过程故障诊断的交互感知图神经网络
由于传感器信号中的各种故障模式以及不同单元之间的复杂相互作用,复杂工业过程的故障诊断成为一项具有挑战性的任务。然而,如何探索相互作用并与传感器信号集成仍然是一个悬而未决的问题。考虑到工业过程中传感器信号及其相互作用以节点和边的形式可以表示为图,本文提出了一种新的用于复杂工业过程故障诊断的交互感知和数据融合方法,称为交互感知图神经网络。首先,为了描述工业过程中的复杂交互,将传感器信号转换为具有多种边缘类型的异构图,并通过注意力机制自适应地学习边缘权重。然后,使用多个独立的图神经网络(GNN)块来提取每个具有一个边缘类型的子图的故障特征。最后,通过加权求和函数将每个子图特征连接或融合,以生成最终的图嵌入。因此,该方法可以学习传感器信号之间的多重交互,并通过GNN的消息传递操作从每个子图中提取故障特征。最终的故障特征包含来自原始数据的信息和传感器信号之间的隐含交互。在三相流设备和电力系统(PS)上的实验结果证明了所提出的方法在复杂工业过程的故障诊断中的可靠性和优越性。