用于SLM设备多系统耦合的解耦图注意力建模与异常可追溯方法
《Sensors》:Decoupled Graph Attention Modeling and Anomaly Traceability Method for Multisystem Coupling in SLM Equipment
【字体:
大
中
小
】
时间:2026年06月19日
来源:Sensors 3.5
摘要
选择性激光熔化(SLM)设备属于复杂的 cyber–physical 系统,其内部子系统之间存在较强的隐性耦合,这给状态监测和故障诊断带来了巨大挑战。现有的深度学习方法在处理多源异构数据时往往会出现特征淹没现象,且缺乏进行系统级拓扑因果推断的能力。为解决这些问题,我们提出了一种基于解耦图注意力网络(ST-DBGAE)的多系统耦合建模与异常可追溯方法。该方法构建了独立的局部时空特征对齐模块,将不同的传感器数据映射到统一的潜在空间中,从而消除维度差异,同时严格保持光学系统、气体系统等底层硬件子系统的特征独立性。随后引入了具有稀疏先验的动态图注意力机制,能够适应性地捕捉由隐性相互作用(如热流体作用)引发的变化的耦合权重,无需预先定义固定的物理连接关系。此外,还设计了双分支两阶段解耦优化架构,通过阻止全局反向传播的相互干扰,该架构能够根据重建误差输出连续的设备健康指数,并利用拓扑差异矩阵推断机制来确定导致系统间级联退化的根本原因节点。基于工业SLM设备超过31万条实际运行监测数据进行的实验表明,所提出的模型在八种运行状态下都能实现96.5%的宏观F1分数,且对特定底层异常的单类检测率也有显著提升。该方法不仅能提供高精度的设备健康预警,还能为预测性维护提供具有物理意义的微观故障传播路径分析。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号