産業用故障診断のためのローカル・グローバル融合型マルチレベル時系列グラフネットワーク

Abstract

障害検出と診断は、産業プロセスを最適かつ安全に運用するために重要です。センサー間の相関はしばしば非ユークリッド構造を示し、そのような領域ではグラフニューラルネットワーク（GNN）が広く用いられています。しかし、大規模システムではセンサー間の局所・大域・動的な関係が広範に存在し、従来のGNNは、障害診断を含むさまざまな課題に対して、このような複雑で多層的な構造を見落としがちです。そこで本研究では、産業向けの障害診断のために、局所・大域の特徴融合を伴う構造を意識したマルチレベルの時間グラフネットワークを提案します。まず、プロセス変数間の関係を捉えるために、ピアソン相関係数を用いて相関グラフを動的に構築します。次に、長短期記憶（LSTM）ベースのエンコーダによって時間的特徴を抽出し、一方でグラフ畳み込み層によってセンサー間の空間的依存関係を学習します。マルチレベルのパーリング機構を用いて、重要な障害に関する詳細を維持しつつ、より高次のパターンを捉えられるようにグラフ構造を段階的に粗視化して学習します。最後に、最終予測の前に、詳細な局所特徴と全体的な大域パターンの両方を組み合わせるための融合ステップを適用します。テネシー・イーストマン・プロセス（TEP）に対する実験評価により、本提案モデルは、特に複雑な障害シナリオにおいて、さまざまなベースライン手法よりも優れた障害診断性能を達成することが示されます。