瓦斯斯坦 (Wasserstein) 距离增强可变边重图卷积网络用于工业故障诊断

科学领域:

• 工业过程监控 工业过程监控
• 机器学习用于工程.
• 数据科学在制造业中的应用

背景情况:

• 现代工业系统产生复杂的,高维的传感器数据,挑战传统的故障诊断方法.
• 现有的技术与非欧几里德数据结构扎,并捕获对准确故障识别至关重要的变量间依赖关系.
• 图形神经网络 (GNN) 是有前途的,但往往忽视时间相关性或承担高计算成本.

研究的目的:

• 开发一个先进的图形神经网络 (GNN) 模型,用于工业系统中增强故障诊断.
• 解决现有GNN的局限性,包括忽视时间数据和高计算需求.
• 为了提高复杂传感器数据中故障识别的准确性,稳定性和稳定性.

主要方法:

• 提出一个瓦斯斯坦距离变量边缘-重量图卷积网络 (WVEGCN) 结合了机制告知的邻近矩阵.
• 使用自适应边缘重量系数来提高模型的稳定性和基于Wasserstein距离的特征提取方法.
• 实施一种新的特征选择策略和随机森林分类器,以提高表现和诊断稳定性.

主要成果:

• 与对基准数据集 (TE和TFF) 的现有方法相比,WVEGCN方法显示出更高的性能.
• 在故障诊断任务中,在准确性和稳定性方面都观察到显著的改进.
• 该模型有效地区分了故障类型,并增强了数据表示,以便可靠识别.

结论:

• 拟议的WVEGCN为使用高维传感器数据的工业系统中故障诊断提供了强大而稳健的解决方案.
• 瓦瑟斯坦距离和自适应边缘权重的整合增强了模型捕获复杂数据结构的能力.
• 这种方法在实际的工业故障诊断场景中显示出强大的实际应用潜力.