半异质图形感知网络与梯度加权类激活映射,用于类增量工业故障识别和根源原因诊断

科学领域:

• 工业过程监控 工业过程监控
• 机器学习用于故障诊断.
• 复杂系统分析 复杂系统分析

背景情况:

• 工业系统需要精确的故障诊断,以确保安全和可靠性.
• 传统方法与过程不确定性和新型故障类型作斗争.
• 准确的根本原因分析对于最小化停机时间至关重要.

研究的目的:

• 在复杂的工业过程中提出一种新型的阶级增量故障诊断模型.
• 增强故障识别和根源原因分析能力.
• 为应对过程不确定性和不断变化的故障模式所带来的挑战.

主要方法:

• 开发了一个工业流动拓诱导的半异质图形感知网络 (IFT-SHGPN).
• 在半异质图形感知网络 (SHGPN) 中嵌入物理过程拓.
• 综合梯度加权类激活映射 (Grad-CAM) 的解释性.

主要成果:

• IFT-SHGPN在类增量故障识别方面表现出卓越的表现.
• 对历史和新出现的故障类别实现了高诊断准确度.
• 通过低计算开销,实现了高效和可解释的根源原因识别.

结论:

• IFT-SHGPN模型有效地解决了复杂工业环境中的故障诊断挑战.
• 该方法为实时监控和维护提供了一个强大的解决方案.
• 由于其效率,适合在资源有限的工业环境中部署.