Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things

要約

産業用モノのインターネット (IIoT) は、製造、産業プロセス、インフラストラクチャ管理を再構築しています。
IIoT は、新たなレベルの自動化、効率性、予知保全を促進することにより、従来の産業をインテリジェントでシームレスに相互接続されたエコシステムに変革しています。
ただし、信頼性の高い IIoT の実現は、多数のセンサーを設置するコスト、センサーを使用して既存のシステムを改修する際の制限、またはセンサーの設置を現実的ではない可能性がある過酷な環境条件などの要因によって妨げられる可能性があります。
ソフト (仮想) センシングは、数学的モデルを活用して物理センサー データから変数を推定し、これらの課題に対する解決策を提供します。
データ駆動型モデリングと物理ベースのモデリングは、ソフト センシングに広く使用されている 2 つの主な方法論です。
これらの戦略のどちらを選択するかは、基礎となるシステムの複雑さに依存します。物理ベースの推論モデルが複雑で状態推定に課題がある場合は、データ駆動型のアプローチが好まれることがよくあります。
ただし、従来の深層学習モデルは、さまざまなセンサー間の複雑な相互作用を明示的に表現できないことが一般に妨げとなっています。
この制限に対処するために、センサー測定間の複雑な関係を効果的に捕捉する機能で知られるグラフ ニューラル ネットワーク (GNN) を採用しています。
この研究では、物理学の原理をグラフベースの方法論に統合する物理強化 GNN を提案します。
これは、物理プロセスの基礎となる特性から派生した入力グラフ内の追加ノードを増強することによって実現されます。
地域暖房ネットワークのケーススタディに関する提案された方法論の評価では、ノイズやパラメーターの不正確さが存在する場合でも、純粋にデータ駆動型の GNN に比べて大幅な改善が見られます。

要約(オリジナル)

The Industrial Internet of Things (IIoT) is reshaping manufacturing, industrial processes, and infrastructure management. By fostering new levels of automation, efficiency, and predictive maintenance, IIoT is transforming traditional industries into intelligent, seamlessly interconnected ecosystems. However, achieving highly reliable IIoT can be hindered by factors such as the cost of installing large numbers of sensors, limitations in retrofitting existing systems with sensors, or harsh environmental conditions that may make sensor installation impractical. Soft (virtual) sensing leverages mathematical models to estimate variables from physical sensor data, offering a solution to these challenges. Data-driven and physics-based modeling are the two main methodologies widely used for soft sensing. The choice between these strategies depends on the complexity of the underlying system, with the data-driven approach often being preferred when the physics-based inference models are intricate and present challenges for state estimation. However, conventional deep learning models are typically hindered by their inability to explicitly represent the complex interactions among various sensors. To address this limitation, we adopt Graph Neural Networks (GNNs), renowned for their ability to effectively capture the complex relationships between sensor measurements. In this research, we propose physics-enhanced GNNs, which integrate principles of physics into graph-based methodologies. This is achieved by augmenting additional nodes in the input graph derived from the underlying characteristics of the physical processes. Our evaluation of the proposed methodology on the case study of district heating networks reveals significant improvements over purely data-driven GNNs, even in the presence of noise and parameter inaccuracies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google