في بيئة البيانات الضخمة، يُعد تشخيص أعطال الأنظمة الصناعية مفتاحاً لتحقيق الصيانة الذكية. عادةً ما تستخدم الطرق الحالية التعلم العميق والنمذجة الإحصائية لاستخراج ميزات المعلومات من البيانات، حيث تنطوي عملية نقل المعلومات على عمليات التسلسل والتفاعل. ومع ذلك، كانت الأعمال السابقة تمثل التسلسل المعقد للمعلومات من خلال بناء وصلات بسيطة ذات أوزان ثابتة، مما أضاف الكثير من عدم اليقين لنتائج التشخيص. بالإضافة إلى ذلك، لا تزال قابلية تفسير هذه النماذج غير محلولة بشكل كافٍ. لحل هذه القيود، تم اقتراح إطار نيوروفازي يجمع بين التلافيف فوق البيانية، والذي يلتقط تمثيل دلالي شامل لسلسلة المعلومات عبر قواعد ضبابية. على وجه التحديد، تم تصميم إطار بناء فوق بياني يحفزه قواعد غامضة مدفوعة، لاستنتاج سلوك التسلسل الديناميكي المستمد من مجموعات فرعية مختلفة من ميزات الإدخال لدمجها في فوق بيانية. بمعنى آخر، يقوم وحدة الأوزان الضبابية بضبط أوزان وصلات فوق البيانية بشكل ديناميكي لتعزيز انتشار الدلالات بين العقد المتصلة. بناءً عليه، تم اقتراح استراتيجية تضمين متغايرة جديدة، وهي تضمين متعدد الطبقات، تخفف بفعالية من تشتت المعرفة داخل هيكل الرسم البياني. للتحقق من تفوق الطريقة المقترحة، تم إجراء تقييم شامل على منصة صناعية. أظهرت النتائج التجريبية أن الطريقة حققت أداءً متقدماً في مهام التشخيص.

طريقة عصبية ضبابية عميقة;الأنظمة الصناعية;محرك ديزل;تشخيص الأعطال;دمج البيانات;شبكة التلافيف فوق البيانية