В условиях больших данных диагностика неисправностей промышленных систем является ключевым элементом для реализации интеллектуального обслуживания. Существующие методы обычно используют глубокое обучение и статистическое моделирование для извлечения информационных признаков из данных, при этом передача информации включает каскадные и интерактивные процессы. Однако предыдущие работы представляли сложные каскады информации через построение простых связей с фиксированными весами, что вносило значительную неопределенность в результаты диагностики. Кроме того, интерпретируемость этих моделей по-прежнему недостаточно решена. Для преодоления этих ограничений предложена нейрофаззиная структура с использованием суперграфовых сверток, которая всесторонне захватывает семантическое представление каскадов информации через нечеткие правила. В частности, разработана структура построения суперграфа, управляемая нечеткими правилами, для индукции динамического каскадного поведения, выведенного из различных подмножеств входных признаков, для суперграфового слияния. Другими словами, модуль нечетких весов динамически регулирует веса связей суперграфа, усиливая семантическое распространение между взаимосвязанными узлами. На этой основе предложена новая стратегия гетерогенных вложений — многоуровневое смешанное вложение, эффективно уменьшающее разброс знаний внутри структуры графа. Для проверки превосходства предлагаемого метода проведена комплексная оценка на промышленной платформе. Экспериментальные результаты показали, что метод достиг передовых показателей в задачах диагностики.

глубокий нейрофаззи метод;промышленные системы;дизельный двигатель;диагностика неисправностей;слияние данных;суперграфовая сверточная сеть