基于深度学习的工业物联网故障诊断算法研究.pdf

基于深度学习的工业物联网故障诊断算法研究

摘要

在工业4.0时代，工业物联网技术正迅速渗透到各个行业，为航空航天、设备制造

等领域带来智能化和集成化的发展趋势。在这个背景下，建立一个有效可靠的健康监

测系统变得尤为关键，以降低维护成本、确保工业系统的安全运行。工业物联网设备

产生的数据通常呈现出多源异构、高维稀疏且具有时序性的特点。在工业物联网环境

中，时间序列数据受多种因素影响，如工作条件、传感器位置和背景噪声等，这些因

素会导致数据分布的变化，当数据分布发生变化时，大多数故障诊断算法性能会严重

下降。因此，需要充分挖掘多分量之间的相互作用，学习时间序列信号中的隐藏信息，

提高故障诊断算法的准确性和泛化能力。本文的工作如下：

针对不同故障对应的图结构存在差异、传统方法难以处理高维数据和变量间复杂

相关性关系、以及难以捕获节点随时间变化的结构信息的问题，本文提出了图注意力

模型（GraphAttention，GraphAtt）。GraphAtt模型利用相关性分析和注意力机制获得

稀疏图结构，并初步评估了节点和边的重要性，从而自适应地学习显式的图结构，更

精确地识别并区分各种故障状态。时空关系建模模块采用了空间编码方法，使每个节

点可以关注图中所有其他节点的时空相关性，通过空间编码模块实现了全局特征的捕

捉，提升了模型的整体性能。在实验中，选用美国机械故障预防技术协会（SocietyFor

MachineryFailurePreventionTechnology，MFPT）过程案例和三相流设备（Three-phase

FlowFacility，TFF）案例作为数据集，对所提出的GraphAtt模型进行了仿真实验验证，

并与其他基准方法进行了对比实验，在TTF数据集中，GraphAtt模型与CNN-ESVM相

比，准确率、精确率、召回率、F1-分数分别提高了9.78%、10.04%、10.46%、9.78%，

与GDN相比，准确率、精确率、召回率、F1-分数分别提高了1.55%、2.03%、1.23%、

1.55%。通过特征可视化表明，GraphAtt模型在特征提取过程中能够有效地识别和强化

与故障类型相关的特征，同时抑制噪声和不相关信息的影响，从而实现了更加准确和

鲁棒的故障分类。

针对现有的故障诊断方法大多只在限定的时间序列数据集上进行验证，不足以显

示故障诊断领域泛化能力。本文改进了基于因果解耦的图编码器网络（Causal

DisentanglementGraphEncoderNetworks，CDGEN），该框架由六个部分组成，包括图

数据集构建模块、软掩码计算模块、因果编码器、非因果编码器、解码器和分类器。

通过构建图数据、计算软掩码、编码器处理、正则化、解码器重建信号和故障分类等

流程实现故障诊断。设计因果聚集损失函数、重建损失函数和分类损失函数，保证因

哈尔滨工程大学专业学位硕士学位论文

果特征和非因果特征信息的完整性。在实验部分，选取了五份不同数据集进行验证，

并与四种基准方法进行了对比实验。实验结果表明，CDGEN模型在所有比较方法中表

现最佳，总体准确率为81.63%，能够有效地捕捉因果特征和非因果特征，消除因果特

征和非因果特征的虚假耦合，提高模型的泛化能力。

关键词：故障诊断；注意力机制；图神经网络；因果图

基于深度学习的工业物联网故障诊断算法研究

Abstract

IntheeraofIndustry4.0,IndustrialInternetofThings(IIoT)technologyisrapidly

permeatingvariousindustries,bringingtrendsofintelligenceandintegrationtofieldssuchas

aerospaceandequipmentmanufacturing.Againstthisbackdrop,establishinganeffectiveand

reliableheal