DyEdgeGAT：基于图注意力动态边的工业物联网系统早期故障检测方法

在工业物联网（IIoT）中，来自复杂系统的状态监测传感器信号在不同工况下常表现出非线性和随机的时空动态特性。这些复杂动态使得故障检测尤为困难。尽管以往方法能有效建模这些动态，却往往忽视传感器信号间关系的演化。这些关系未被察觉的偏移可能导致严重的系统故障。此外，这些方法常将新的工况误判为故障。针对这些局限，我们提出 DyEdgeGAT（Dynamic Edge via Graph Attention，基于图注意力的动态边），一种用于 IIoT 系统早期故障检测的新方法。DyEdgeGAT 的主要创新在于一种面向多元时间序列的新型图推断方案，通过动态边构建追踪时间序列间关系的演化。DyEdgeGAT 的另一关键创新是能将工况上下文纳入节点动态建模，从而提升准确性与鲁棒性。我们使用一个模拟不同故障严重程度的合成数据集，以及一个在多变工况与检测复杂度下具有多种故障类型的真实工业级多相流设施基准，对 DyEdgeGAT 进行了严格评估。结果表明，DyEdgeGAT 在故障检测上显著优于其他基线方法，尤其在低严重程度的早期阶段，并在新工况下表现出鲁棒性能。