کنفرانس بین المللی فناوری اطلاعات و دانش

English

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

چارچوب پیش‌بینی خرابی تطبیقی مبتنی بر شبکه عصبی گراف پویا و GRU در سامانه‌های صنعتی IIoT

نویسندگان :

رسول اسماعیلی فرد¹ لیلا رنجبر²

1- دانشگاه صنعتی شیراز 2- دانشگاه صنعتی شیراز

کلمات کلیدی :

اینترنت اشیای صنعتی،نگهداشت پیش‌بینانه،شبکه عصبی گراف پویا،GRU،C-MAPSS

چکیده :

پیش‌بینی خرابی در سامانه‌های صنعتی مبتنی بر اینترنت اشیای صنعتی (IIoT) نقشی اساسی در افزایش قابلیت اطمینان و کاهش هزینه‌های نگهداشت دارد. در این پژوهش، یک چارچوب تطبیقی سبک‌وزن مبتنی بر شبکه عصبی گراف پویا و واحد بازگشتی (GNN-GRU) برای پیش‌بینی خرابی موتورهای توربوفن ارائه می‌شود. در این روش، داده‌های چندسنسوری مجموعه‌داده‌ی C-MAPSS ناسا به‌صورت دنباله‌ای از گراف‌های زمانی مدل‌سازی شده‌اند و توپولوژی گراف در هر لحظه براساس شباهت گاوسی و الگوریتم k-NN بازسازی می‌گردد. لایه‌های GNN ویژگی‌های ساختاری را استخراج کرده و GRU وابستگی‌های زمانی را مدل می‌کند تا پویایی چندسنسوری سیستم با دقت بالا درک شود. نتایج تجربی نشان می‌دهد مدل پیشنهادی با دستیابی به دقت ۹۸٫۱٪، Macro-F1 برابر با ۹۷٫۱٪ و AUROC≈0.99، عملکردی هم‌تراز یا برتر از مدل‌های پیچیده‌تری نظیر MA1DCNN، CAE-LSTM و Transformer دارد، در حالی‌که زمان استنتاج آن تا سه برابر سریع‌تر است. این توازن میان دقت و کارایی، چارچوب پیشنهادی را به گزینه‌ای بهینه برای پایش سلامت و نگهداشت پیش‌بینانه برخط در محیط‌های صنعتی IIoT تبدیل می‌سازد و می‌تواند پایه‌ای برای توسعه‌ی سامانه‌های آینده با قابلیت پیش‌بینی عمر باقی‌مانده و یادگیری تطبیقی میان دامنه‌ای باشد.