Im Big-Data-Umfeld ist die Fehlerdiagnose in industriellen Systemen der Schlüssel zur Umsetzung intelligenter Wartung. Bestehende Methoden nutzen üblicherweise Deep Learning und statistische Modellierung, um Informationsmerkmale aus Daten zu extrahieren, wobei der Informationsfluss Kaskaden- und Interaktionsprozesse umfasst. Frühere Arbeiten stellten komplexe Informationskaskaden durch den Aufbau einfacher Verbindungen mit festen Gewichten dar, was zu großer Unsicherheit bei den Diagnoseergebnissen führte. Darüber hinaus ist die Erklärbarkeit dieser Modelle noch nicht ausreichend gelöst. Zur Überwindung dieser Einschränkungen wurde ein neurofuzzy Framework vorgeschlagen, das Hypergraph-Convolution kombiniert und semantische Darstellungen der Informationskaskaden umfassend durch unscharfe Regeln erfasst. Konkret wurde ein von fuzzy Regeln gesteuertes Hypergraph-Konstruktions-Framework entworfen, um dynamisches Kaskadenverhalten abzuleiten, das aus verschiedenen Teilmengen von Eingabemerkmalen stammt, um eine Hypergraphfusion durchzuführen. Das heißt, das fuzzy Gewichtmodul passt dynamisch die Gewichte der Hypergraph-Verbindungen an, um die semantische Ausbreitung zwischen verbundenen Knoten zu verstärken. Darauf aufbauend wurde eine neue heterogene Einbettungsstrategie vorgeschlagen, nämlich Multi-Layer-Perceptron-Mixed-Embedding, die die Streuung des Wissens innerhalb der Graphstruktur effektiv mindert. Zur Validierung der Überlegenheit der vorgeschlagenen Methode wurde eine umfassende Bewertung auf einer Industrieplattform durchgeführt. Die experimentellen Ergebnisse zeigen, dass die Methode bei Diagnoseaufgaben eine fortschrittliche Leistung erzielt.

tiefe neurofuzzy Methode;industrielle Systeme;Dieselmotor;Fehlerdiagnose;Datenfusion;Hypergraph-Convolution-Netzwerk