En un entorno de big data, el diagnóstico de fallas en sistemas industriales es clave para lograr un mantenimiento inteligente. Los métodos existentes suelen utilizar aprendizaje profundo y modelado estadístico para extraer características informativas de los datos, donde la transmisión de información implica procesos en cascada e interacción. Sin embargo, trabajos anteriores representaban cascadas complejas de información construyendo conexiones simples con pesos fijos, lo que introducía mucha incertidumbre en los resultados del diagnóstico. Además, la interpretabilidad de estos modelos sigue sin resolverse adecuadamente. Para abordar estas limitaciones, se propuso un marco neuro-difuso que combina convoluciones de hipergráficos, capturando exhaustivamente la representación semántica de las cascadas de información a través de reglas difusas. Específicamente, se diseñó un marco de construcción de hipergráficos guiado por reglas difusas para inducir el comportamiento en cascada dinámico derivado de diferentes subconjuntos de características de entrada para la fusión de hipergráficos. Es decir, el módulo de pesos difusos ajusta dinámicamente los pesos de las conexiones del hipergráfico para mejorar la propagación semántica entre nodos interconectados. Sobre esta base, se propuso una nueva estrategia de embebido heterogéneo, que es un incrustado mixto de múltiples capas, que alivia eficazmente la dispersión del conocimiento dentro de la estructura del grafo. Para validar la superioridad del método propuesto, se realizó una evaluación integral en una plataforma industrial. Los resultados experimentales muestran que el método alcanza un rendimiento de vanguardia en tareas de diagnóstico.

método neuro-difuso profundo;sistemas industriales;motor diésel;diagnóstico de fallas;fusión de datos;red de convolución de hipergráficos