层次化知识引导的复杂工业系统故障强度诊断
人工智能
2025-11-25 v1
摘要
故障强度诊断（FID）在复杂工业系统中对机械设备的监控和维护发挥着关键作用。当前的FID方法基于思考链条，却未考虑目标类别之间的依赖关系。为捕捉并探索这些依赖关系，我们受树状思考（tree of thought）启发，提出了层次化知识引导的故障强度诊断框架（HKG），其适用于任何表征学习方法。HKG利用图卷积网络将类表征的层次拓扑图映射为一组相互依赖的全局层次分类器，其中每个节点由类的词嵌入表示。这些全局层次分类器被应用于由表征学习提取的深度特征上，使整个模型能够端到端学习。此外，我们通过将类间层次知识嵌入数据驱动统计相关矩阵（SCM）中，发展出重新加权层次知识相关矩阵（Re-HKCM）方案，有效指导图卷积神经网络中节点的信息共享，避免过平滑问题。Re-HKCM经历了一系列数学变换后得出。我们在四个来自不同工业领域的真实数据集（来自SAMSON AG的三个空化数据集以及一个公开数据集）上进行了大量实验，结果显示该方法在FID任务中表现优异，优于最近的SOTA方法。
引用
@article{arxiv.2508.12375,
title = {Hierarchical knowledge guided fault intensity diagnosis of complex industrial systems},
author = {Yu Sha and Shuiping Gou and Bo Liu and Johannes Faber and Ningtao Liu and Stefan Schramm and Horst Stoecker and Thomas Steckenreiter and Domagoj Vnucec and Nadine Wetzstein and Andreas Widl and Kai Zhou},
journal= {arXiv preprint arXiv:2508.12375},
year = {2025}
}
备注
12 pages