[控场AI]
模型动态传感器关系图神经网络

DySR-GNN

一种用于汽车硬件在环测试多标签根因分析的动态传感器关系图神经网络模型,通过共享时序编码器和可训练传感器身份表示,为每个输入窗口重建稀疏关系图并进行图消息传递,实现根因定位。

时间轴 (近 90 天)

11月13日

DySR-GNN是一种使用动态传感器关系图神经网络的监督式多标签根因识别方法。

待验证50%
11月13日

DySR-GNN在录级不相交评估协议下,录级Macro-F1达到0.9524,MCC为0.9302,严格精确匹配准确率为0.8519。

待验证50%
11月13日

DySR-GNN在录级不相交评估协议下与CNN-LSTM、静态GCN、静态GAT以及基于上下文的变体进行对比,在多项指标上均取得领先。

待验证50%
11月13日

DySR-GNN包含两个关键模块:共享的时序编码器(对每个传感器信号独立提取时序模式)和可训练的传感器身份表示(与各传感器时序特征结合后为每个输入窗口重建一张稀疏的关系图)。

待验证50%
11月13日

DySR-GNN为每个输入窗口重建的关系图是由数据驱动生成的,并非静态先验,随后用于图消息传递和直接的根因位置预测。

待验证50%
11月13日

静态GCN或GAT使用固定的邻接矩阵,无法反映工况切换时的关系变化;而DySR-GNN的动态图结构能够捕捉状态依赖的传感器关联。

待验证50%
11月13日

研究团队对DySR-GNN学习到的关系图进行分析,发现传感器变量之间既存在持续稳定的关联,也存在随状态变化的关系。

待验证50%
11月13日

DySR-GNN的价值可能扩展至任何涉及多变量时间序列且故障会在变量间传播的系统,如车载网络、动力总成监控、工业控制系统等。

待验证50%
11月13日

严格精确匹配指标要求模型预测出的根因集合与真实集合完全一致,任一多报或漏报都判错,0.8519意味着约八成五的录段根因组合被完整命中。

待验证50%

全部知识事实 (9)

待验证

严格精确匹配指标要求模型预测出的根因集合与真实集合完全一致,任一多报或漏报都判错,0.8519意味着约八成五的录段根因组合被完整命中。

50%
待验证

DySR-GNN在录级不相交评估协议下,录级Macro-F1达到0.9524,MCC为0.9302,严格精确匹配准确率为0.8519。

50%
待验证

DySR-GNN在录级不相交评估协议下与CNN-LSTM、静态GCN、静态GAT以及基于上下文的变体进行对比,在多项指标上均取得领先。

50%
待验证

DySR-GNN包含两个关键模块:共享的时序编码器(对每个传感器信号独立提取时序模式)和可训练的传感器身份表示(与各传感器时序特征结合后为每个输入窗口重建一张稀疏的关系图)。

50%
待验证

DySR-GNN为每个输入窗口重建的关系图是由数据驱动生成的,并非静态先验,随后用于图消息传递和直接的根因位置预测。

50%
待验证

静态GCN或GAT使用固定的邻接矩阵,无法反映工况切换时的关系变化;而DySR-GNN的动态图结构能够捕捉状态依赖的传感器关联。

50%
待验证

研究团队对DySR-GNN学习到的关系图进行分析,发现传感器变量之间既存在持续稳定的关联,也存在随状态变化的关系。

50%
待验证

DySR-GNN是一种使用动态传感器关系图神经网络的监督式多标签根因识别方法。

50%
待验证

DySR-GNN的价值可能扩展至任何涉及多变量时间序列且故障会在变量间传播的系统,如车载网络、动力总成监控、工业控制系统等。

50%

来源文章