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

要約

複雑なシステムの信頼性が高く効率的な動作には、リアルタイムの状態監視が重要です。
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に制限される場合があります。
仮想センシングは、容易に利用可能な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するか、システム状態を推測することにより、これらの制限に対処します。
産業システムの複雑さの増加は、システム状態の包括的な理解を提供するために、多様なモダリティを備えたセンサーの展開を必要とします。
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て、システムのローカルおよびグローバルな状態の進化と同様に、迅速およびゆっくりと変化するシステムダイナミクスの両方を監視します。
これは、特にさまざまな運用上の環境条件下で、正確な仮想センシングに大きな課題をもたらす異種の時間的ダイナミクスにつながります。
これに対処するために、不均一な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、多様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。
2つの新しくリリースされたデータセットを使用してHTGNNを評価します。負荷予測のための多様な負荷条件を備えたベアリングデータセットと、ブリッジライブ負荷を予測するための1年間のシミュレーションデータセットです。
我々の結果は、HTGNNが両方のタスクで、特に非常にさまざまな動作条件下で確立されたベースラインメソッドを大幅に上回ることを示しています。
これらの結果は、複雑なシステムの堅牢で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、予測的メンテナンス、システムパフォーマンスの向上への道を開いています。
私たちのコードとデータは、https：//github.com/epfl-imos/htgnnで入手できます。

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. Our code and data are available under https://github.com/EPFL-IMOS/htgnn.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google