面向工业物联网网络实时故障预测的动态图神经网络

《IEEE Open Journal of the Communications Society》：Dynamic Graph Neural Network for Real-Time Failure prediction in Industrial IoT Networks

　　

摘要：

工业物联网（IIoT）网络支持制造、能源和过程自动化等领域中的关键任务应用，在这些场景中，即使仅有一条链路故障也可能引发连锁故障，带来严重的安全和运营后果。要在故障发生前对其进行预测，需要能够同时捕获网络组件之间空间依赖关系和链路状态时间演变趋势的模型。然而，现有的时空图神经网络主要面向节点级预测设计，通常将空间信息和时间信息分别处理，且很少提供运维人员可用于评估预测可靠性的不确定性估计。本文提出DGNN，一种用于IIoT网络中主动链路故障预测的动态图神经网络。所提出的框架结合门控图卷积单元以建模空间交互关系，并利用时序注意力模块从序列遥测数据中学习退化模式。多任务学习策略联合执行链路故障分类和链路可靠性回归，同时采用MC dropout来估计预测不确定性，从而基于预测结果和置信度实现风险感知的维护决策。在基于图结构的合成IIoT数据集上进行的实验（包含真实故障级联和测量噪声）表明，DGNN取得了0.911的F1分数、0.950的AUC-ROC以及链路可靠性回归任务上0.854的R²分数。该框架还满足IIoT的实时性要求，平均推理延迟为每样本5.66毫秒，远低于10毫秒的延迟预算。此外，在严重遥测退化条件下，性能仍保持稳定，在信噪比从30分贝到0分贝的范围内，F1分数始终保持在0.84以上。