No ambiente de big data, o diagnóstico de falhas em sistemas industriais é fundamental para alcançar a manutenção inteligente. Os métodos existentes geralmente utilizam aprendizado profundo e modelagem estatística para extrair características informativas dos dados, onde a transmissão da informação envolve processos em cascata e de interação. No entanto, trabalhos anteriores representavam cascatas complexas de informação por meio da construção de conexões simples com pesos fixos, o que introduzia muita incerteza nos resultados do diagnóstico. Além disso, a interpretabilidade desses modelos ainda não foi suficientemente abordada. Para superar essas limitações, foi proposto um framework neuro-fuzzy que combina convoluções de hipergráficos, capturando de forma abrangente a representação semântica das cascatas de informação por meio de regras fuzzy. Especificamente, foi projetado um framework de construção de hipergráficos guiado por regras fuzzy para induzir comportamento em cascata dinâmico derivado de diferentes subconjuntos de características de entrada para fusão de hipergráficos. Ou seja, o módulo de pesos fuzzy ajusta dinamicamente os pesos das conexões do hipergráfico, fortalecendo a propagação semântica entre nós interconectados. Com base nisso, foi proposta uma nova estratégia de incorporação heterogênea, chamada incorporação mista multilayer perceptron, que alivia efetivamente a dispersão do conhecimento dentro da estrutura do grafo. Para validar a superioridade do método proposto, foi realizada uma avaliação abrangente em uma plataforma industrial. Os resultados experimentais mostram que o método alcançou desempenho de ponta em tarefas de diagnóstico.

método neuro-fuzzy profundo;sistemas industriais;motor diesel;diagnóstico de falhas;fusão de dados;rede de convolução de hipergráficos