Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics

要約

リアルタイムの状態監視は、複雑なシステムの信頼性が高く効率的な運用にとって非常に重要です。
ただし、物理センサーのみに依存することは、コスト、配置上の制約、または特定の重要なパラメーターを直接測定できないため、制限される可能性があります。
バーチャル センシングは、すぐに利用できるセンサー データとシステムの知識を活用して、アクセスできないパラメーターを推定したり、システムの状態を推測したりすることで、これらの制限に対処します。
産業システムの複雑さが増すにつれ、システムの状態を包括的に理解するために、さまざまな方式を備えたセンサーの導入が必要になっています。
これらのセンサーは、さまざまな周波数でデータをキャプチャし、急速に変化するシステム ダイナミクスとゆっくりと変化するシステム ダイナミクスの両方、およびシステムのローカルおよびグローバルな状態の進化を監視します。
これにより、不均一な時間ダイナミクスが生じ、特に運用終了環境条件が変化する場合、正確な仮想センシングにとって大きな課題となります。
これに対処するために、異種時間グラフ ニューラル ネットワーク (HTGNN) フレームワークを提案します。
HTGNN は、さまざまなセンサーからの信号を明示的にモデル化し、動作条件をモデル アーキテクチャに統合します。
新しくリリースされた 2 つのデータセットを使用して HTGNN を評価します。1 つは軸受荷重を予測するためのさまざまな荷重条件を備えた軸受データセット、もう 1 つは橋の活荷重を予測するための 1 年間のシミュレーション データセットです。
私たちの結果は、HTGNN が両方のタスクにおいて、特に非常に変化する動作条件下で確立されたベースライン手法を大幅に上回るパフォーマンスを示していることを示しています。
これらの結果は、複雑なシステムに対する堅牢かつ正確な仮想センシング アプローチとしての HTGNN の可能性を強調し、監視の改善、予知保全、およびシステム パフォーマンスの向上への道を切り開きます。

要約(オリジナル)

Real-time condition monitoring is crucial for the reliable and efficient operation of complex systems. However, relying solely on physical sensors can be limited due to their cost, placement constraints, or inability to directly measure certain critical parameters. Virtual sensing addresses these limitations by leveraging readily available sensor data and system knowledge to estimate inaccessible parameters or infer system states. The increasing complexity of industrial systems necessitates deployments of sensors with diverse modalities to provide a comprehensive understanding of system states. These sensors capture data at varying frequencies to monitor both rapid and slowly varying system dynamics, as well as local and global state evolutions of the systems. This leads to heterogeneous temporal dynamics, which, particularly under varying operational end environmental conditions, pose a significant challenge for accurate virtual sensing. To address this, we propose a Heterogeneous Temporal Graph Neural Network (HTGNN) framework. HTGNN explicitly models signals from diverse sensors and integrates operating conditions into the model architecture. We evaluate HTGNN using two newly released datasets: a bearing dataset with diverse load conditions for bearing load prediction and a year-long simulated dataset for predicting bridge live loads. Our results demonstrate that HTGNN significantly outperforms established baseline methods in both tasks, particularly under highly varying operating conditions. These results highlight HTGNN’s potential as a robust and accurate virtual sensing approach for complex systems, paving the way for improved monitoring, predictive maintenance, and enhanced system performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google