SHGCN:一种融合单纯形层级拓扑的工业故障诊断模型

《Machines》:SHGCN: An Industrial Fault Diagnosis Model Integrating Simplicial Hierarchical Topology

【字体: 大 中 小 】 时间:2026年08月30日 来源:Machines 3.0

编辑推荐:

  复杂工业系统的故障诊断因多组件间交互复杂以及常规基于图的方法难以刻画高阶依赖而具挑战。为此,研究人员提出一种单纯形层级图卷积网络(Simplicial Hierarchical Graph Convolutional Network,SHGCN)用于多元传感器

  
复杂工业系统的故障诊断因多组件间交互复杂以及常规基于图的方法难以刻画高阶依赖而具挑战。为此,研究人员提出一种单纯形层级图卷积网络(Simplicial Hierarchical Graph Convolutional Network,SHGCN)用于多元传感器故障诊断。该框架将工业系统表示为单纯形复形(Simplicial Complex,SC),把成对关系扩展至高阶拓扑;引入基于Flower-Petal(FP)的二分重构策略,在不显式构造计算昂贵的高阶拓扑前提下高效建模;设计多阶谱卷积模块从不同拓扑层级提取层级表示并融合分类。在三相流设施(Three-Phase Flow Facility,TFF)与安全水处理(Secure Water Treatment,SWaT)数据集上评估,对比实验、特征可视化与消融研究证明SHGCN取得更优诊断性能与更具可分性的特征表示,在TFF与SWaT上准确率分别达98.41%与94.64%,优于现有图方法,验证了高阶拓扑建模对捕获工业故障中复杂交互的有效性。
研究背景方面,大规模工业系统(化工、电力、水处理)中传感器与执行器耦合增强,局部故障沿互联组件传播,智能故障诊断依赖多元时间序列分类。传统机制模型难获取,数据驱动方法(PCA、CNN、RNN、GNN)虽广用,但序列模型忽略组件间结构依赖,而常规图神经网络(Graph Neural Network,GNN)仅建成对向图,只能表达二元关系,丢失三元及以上组件协同的高阶结构;显式用Hasse图构高阶拓扑计算开销大,异构图或注意力扩展仍未根本解决高阶建模的效率—表达力权衡。超图神经网络(Hypergraph Neural Network,HGNN)抓多路连接但无层级组织,单纯形复形神经网络提供阶次间结构框架,但在工业故障诊断中探索尚少。因此,同时捕获高阶依赖且保计算效率是开放难题。
研究人员开展的研究为:以单纯形复形理论扩展成对图,用Flower-Petal模型将系统重构成二分图(物理节点为花蕊,p-单纯形为花瓣),借上—下两步随机游走替代显式高阶边构造,得p阶FP邻接与拉普拉斯;对每阶配可学习截断多项式谱滤波器做多阶卷积,拼接各阶节点表示经readout得图级向量送MLP分类。结论上,SHGCN在TFF(24传感器、50维/节点、6类故障+正常)与SWaT(51设备取41变量、36攻击场景)十折交叉验证中,准确率98.41%与94.64%,Macro-F1提升3.33%与1.24%,t-SNE显示类簇更紧、混淆矩阵对角更集中,证明高阶拓扑补充结构信息有效;《Machines》发表该工作意义在于为传感器密集工业场景提供轻量高阶图学习诊断范式。
关键方法概括(不超250字):研究人员采用Clique Complex Lifting由欧氏相似阈值建初始图并提取至P阶单纯形;以Huang等FP模型建物理单元—高阶子系统二分关联,借Bp=Dv-1HpHpT(cpDσ-1)得p阶邻接、Lp=I-Bp;各阶用K阶截断多项式谱卷积X(p)=Σk=0Kθk(p)LpkXW1W2,θ可学;多阶拼接+全局池化+两层MLP,Cross-Entropy训练,Adam+CosineAnnealingLR,样本来自TFF与SWaT公开基准。
研究结果部分,小节2.1高阶拓扑建模指出工业闭环(传感器—控制器—执行器)成三元组,0/1/2/3-单纯形分别对应点/边/三角/四面体,成对图无法表此协同。小节2.2 FP二分重构用花蕊—花瓣关联矩阵Hp替代Hasse边界计算,上行走物理→高阶聚合、下行走高阶→物理再分配,间接交换同单纯形内信息。小节2.3端到端SHGCN中,2.3.1图构造与提升用相似度sij=1-‖xi-xj‖/max‖·‖建边;2.3.2高阶谱卷积每阶独立可学θk(p)自适应加权拓扑贡献;2.3.3多尺度拼接hv=∥p=0Phv(p)经mean-readout入MLP。小节3.1数据集TFF(1Hz、24传感受50维窗)与SWaT(1Hz、41变量、攻前10分钟作正常)说明样本队列来源。小节3.4性能显示SHGCN在TFF比最强基线准+1.90%、Macro-F1+3.33%,SWaT准+1.24%、Macro-F1+1.24%;图7训练损失平稳、图8对角占优、图9类重叠最少。小节3.5消融变P=1…5,TFF在P=2后边际饱和,SWaT至P=3显著提升,主实验取P=3平衡复杂度。
讨论与结论翻译浓缩:研究人员在结论中指出,SHGCN借单纯形复形与FP二分轻量近似高阶拓扑,多阶谱卷积融空间—高阶信息,在TFF/SWaT全指标优于GCN、GAT、IAGNN等,特征可分性增强;局限是图构与阶次选定非自适应、时序动态建模弱;未来方向为自适应图构、高阶拓扑选择、实时部署与多数据集泛化验证。该文发表于《Machines》,表明高阶拓扑感知图学习可弥补成对图表达缺口,为工业故障诊断提供新工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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