ビッグデータ環境において、産業システムの故障診断はインテリジェントな保守を実現するための鍵である。既存の方法は通常、深層学習と統計モデルを用いてデータから情報特徴を抽出し、情報伝達には連鎖および相互作用のプロセスが含まれる。しかし、以前の研究は固定重みを持つ単純な接続を構築することで複雑な情報連鎖を表現しており、それが診断結果に大きな不確実性をもたらしている。さらに、これらのモデルの解釈可能性は未だ十分に解決されていない。これらの制約を克服するために、ファジールールを通じて情報連鎖の意味表現を包括的に捉えるハイパーグラフ畳み込み神経ファジィフレームワークが提案された。具体的には、ファジールール駆動のハイパーグラフ構築フレームワークを設計し、異なる入力特徴サブセットから派生する動的な連鎖挙動を誘導してハイパーグラフ融合を行う。つまり、重みファジーモジュールがハイパーグラフ接続の重みを動的に調整し、相互接続ノード間の意味的伝播を強化する。これに加え、新しい異種埋め込み戦略として多層パーセプトロン混合埋め込みを提案し、グラフ構造内部の知識の分散を効果的に緩和した。提案手法の優位性を検証するために、産業プラットフォーム上で総合評価を実施した。実験結果は、本手法が診断タスクにおいて最先端の性能を達成したことを示している。

深層神経ファジィ法;産業システム;ディーゼルエンジン;故障診断;データ融合;ハイパーグラフ畳み込みネットワーク