面向复杂系统的图神经网络虚拟感测：处理异构时序动力学

实时条件监控对于复杂系统的可靠高效运行至关重要。然而，仅依赖物理传感器可能受限于其成本、放置约束或无法直接测量某些关键参数。虚拟感测通过利用 readily 可用传感器数据和系统知识来估计不可访问的参数或推断系统状态，从而克服了这些限制。日益复杂的工业系统 necessitates 部署具有不同模态的传感器，以提供对系统状态的全面理解。这些传感器以不同频率捕获数据，以监控快速和缓慢变化的系统动力学，以及系统状态的局部和全局演化。这导致异构时序动力学，特别是在不同运行和环境条件下，构成准确虚拟感测的重大挑战。为此，我们提出了异构时序图神经网络 (HTGNN) 框架。HTGNN 显式建模来自不同传感器的信号并将运行条件集成到模型架构中。我们使用两个新发布的数据集进行评估：一个 bearing 数据集用于 bearing 负载预测，以及一个一年模拟数据集用于预测桥梁活载荷。我们的结果表明，HTGNN 在两个任务中均显著优于既定基线方法，尤其是在高度变化的运行条件下。这一结果凸显了 HTGNN 作为复杂系统稳健且准确虚拟感测方法的潜力，为改进监控、预测性维护和增强系统性能之路。我们的代码和数据在 https://github.com/EPFL-IMOS/htgnn 上提供。