DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems

要約

産業用モノのインターネットでは、複雑なシステムからの状態監視センサー信号が、さまざまな動作条件下で強力な非線形および確率的な時空間ダイナミクスを示すことがよくあります。
このような複雑なダイナミクスにより、障害検出が特に困難になります。
以前に提案された方法は、これらのダイナミクスを効果的にモデル化しますが、センサー信号間の関係の動的な展開を無視することがよくあります。
これらの関係の変化が検出されない場合、重大なシステム障害が発生する可能性があります。
もう 1 つの制限は、新しい動作条件と実際の障害を効果的に区別できないことです。
このギャップに対処するために、我々は、さまざまな障害、特に初期段階での関係変化を特徴とする障害を検出できると同時に、障害と新しい動作条件を区別できる新しいアプローチである DyEdgeGAT (Dynamic Edge via Graph Attendant) を提案します。
DyEdgeGAT は、時系列間の関係の進化を表現および追跡するエッジを動的に構築する、多変量時系列に対する新しいグラフ推論スキームを提供するグラフベースのフレームワークです。
さらに、制御入力と測定値の間など、システム内の因果関係という、見落とされがちな側面にも対処します。
システムに依存しない変数を動作条件のコンテキストとしてノード ダイナミクス抽出に組み込むことにより、DyEdgeGAT は新しい動作条件に対する堅牢性を強化します。
当社は、さまざまなレベルの障害重大度をシミュレートするように設計された合成データセットと、異なる検出複雑さを持つさまざまな種類の障害を含む実際の産業規模のベンチマークの両方を使用して、DyEdgeGAT のパフォーマンスを厳密に評価します。
私たちの調査結果は、DyEdgeGAT が障害検出に非常に効果的であり、新たな動作条件下で堅牢性を維持しながら、早期障害検出に特に強みを発揮することを示しています。

要約(オリジナル)

In the industrial Internet of Things, condition monitoring sensor signals from complex systems often exhibit strong nonlinear and stochastic spatial-temporal dynamics under varying operating conditions. Such complex dynamics make fault detection particularly challenging. Although previously proposed methods effectively model these dynamics, they often neglect the dynamic evolution of relationships between sensor signals. Undetected shifts in these relationships can potentially result in significant system failures. Another limitation is their inability to effectively distinguish between novel operating conditions and actual faults. To address this gap, we propose DyEdgeGAT (Dynamic Edge via Graph Attention), a novel approach capable of detecting various faults, especially those characterized by relationship changes at early stages, while distinguishing faults from novel operating conditions. DyEdgeGAT is a graph-based framework that provides a novel graph inference scheme for multivariate time series that dynamically constructs edges to represent and track the evolution of relationships between time series. Additionally, it addresses a commonly overlooked aspect: the cause-and-effect relationships within the system, such as between control inputs and measurements. By incorporating system-independent variables as contexts of operating conditions into node dynamics extraction, DyEdgeGAT enhances its robustness against novel operating conditions. We rigorously evaluate DyEdgeGAT’s performance using both a synthetic dataset, designed to simulate varying levels of fault severity and a real-world industrial-scale benchmark containing a variety of fault types with different detection complexities. Our findings demonstrate that DyEdgeGAT is highly effective in fault detection, showing particular strength in early fault detection while maintaining robustness under novel operating conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google