利用图神经网络挖掘工业设备结构：在剩余使用寿命估计中的应用
机器学习
2020-07-01 v1 机器学习
摘要
从流式多传感器时间序列数据自动进行设备健康监控，可用于实现基于状态的维护、避免突发灾难性故障并确保高运行可用性。我们注意到，大多数复杂机械都有记录完备且易于获取的底层结构，刻画了子系统或模块间的相互依赖关系。基于循环神经网络（RNN）或卷积神经网络（CNN）的深度学习模型未能将此潜在丰富的领域知识显式地引入学习过程。本工作中，我们提出以图的形式刻画复杂设备的结构，并使用图神经网络（GNN）对多传感器时间序列数据建模。以剩余使用寿命估计为应用任务，我们在公开可用的涡扇发动机基准数据集上评估了通过 GNN 引入图结构的优势。我们观察到，所提出的基于 GNN 的 RUL 估计模型优于文献中若干强基线，如基于 RNN 与 CNN 的模型。此外，我们观察到所学网络能通过简单注意力机制聚焦于即将发生故障的模块（节点），可能为可操作的诊断铺平道路。
引用
@article{arxiv.2006.16556,
title = {Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation},
author = {Jyoti Narwariya and Pankaj Malhotra and Vishnu TV and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:2006.16556},
year = {2020}
}
备注
Accepted at AAAI workshop DLGMA'20