論文の概要: Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2604.18765v1
• Date: Mon, 20 Apr 2026 19:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.450072
• Title: Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis
• Title（参考訳）: 局所核融合による産業故障診断のための多層時間グラフネットワーク
• Authors: Bibek Aryal, Gift Modekwe, Qiugang Lu,
• Abstract要約: 本稿では,産業的故障診断のための局所的特徴融合を用いた構造対応多レベル時間グラフネットワークを提案する。 提案手法は,特に複雑な故障シナリオにおいて,優れた故障診断性能を実現する。
• 参考スコア（独自算出の注目度）: 0.4779196219827507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault detection and diagnosis are critical for the optimal and safe operation of industrial processes. The correlations among sensors often display non-Euclidean structures where graph neural networks (GNNs) are widely used therein. However, for large-scale systems, local, global, and dynamic relations extensively exist among sensors, and traditional GNNs often overlook such complex and multi-level structures for various problems including the fault diagnosis. To address this issue, we propose a structure-aware multi-level temporal graph network with local-global feature fusion for industrial fault diagnosis. First, a correlation graph is dynamically constructed using Pearson correlation coefficients to capture relationships among process variables. Then, temporal features are extracted through long short-term memory (LSTM)-based encoder, whereas the spatial dependencies among sensors are learned by graph convolution layers. A multi-level pooling mechanism is used to gradually coarsen and learn meaningful graph structures, to capture higher-level patterns while keeping important fault related details. Finally, a fusion step is applied to combine both detailed local features and overall global patterns before the final prediction. Experimental evaluations on the Tennessee Eastman process (TEP) demonstrate that the proposed model achieves superior fault diagnosis performance, particularly for complex fault scenarios, outperforming various baseline methods.
• Abstract（参考訳）: 故障検出と診断は、産業プロセスの最適かつ安全な運用に不可欠である。 センサ間の相関は、グラフニューラルネットワーク(GNN)が広く使用される非ユークリッド構造を表示することが多い。 しかし、大規模システムでは、センサー間で局所的、グローバル的、動的関係が広く存在し、従来のGNNは、故障診断を含む様々な問題において、そのような複雑で多レベルの構造を見落としていることが多い。 この問題に対処するため,産業的故障診断のための局所的特徴融合を用いた構造対応多レベル時間グラフネットワークを提案する。 まず、Pearson相関係数を用いて相関グラフを動的に構築し、プロセス変数間の関係をキャプチャする。 次に、長短期メモリ(LSTM)ベースのエンコーダを用いて時間的特徴を抽出し、グラフ畳み込み層によりセンサ間の空間依存性を学習する。 マルチレベルプーリング機構は、徐々に粗くなり、意味のあるグラフ構造を学習し、重要な障害関連の詳細を保持しながら、より高いレベルのパターンをキャプチャする。 最後に、最終予測の前に、局所的な詳細な特徴と全体的パターンを組み合わせるために、融合ステップを適用した。 テネシー・イーストマン・プロセス (TEP) の実験的評価により, 提案手法は, 特に複雑な故障シナリオにおいて, 優れた故障診断性能を達成し, 様々なベースライン法より優れていることが示された。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
  本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。 グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T08:28:41Z)
• Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems? [3.3601815104322377]
  グラフニューラルネットワーク(GNN)は、サービス依存をモデル化する能力に基づいて、マイクロサービスシステムの障害診断に広く採用されている。 GNNの真の価値を分離するために,意図的に最小限のトポロジーに依存しないベースラインであるDiagMLPを提案する。 DiagMLPは, 故障検出, 局所化, 分類において, 最先端のGNN方式と同等の性能を実現する。
  論文  参考訳（メタデータ） (2025-01-06T05:18:13Z)
• Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection [8.878898677348086]
  多次元時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。 高次元および複雑なデータセットにおいて、効果的かつ正確な異常検出を行うことがますます困難になっている。 本稿では,複数変数間の高次マルチホップ相関を明示的に捉えるハイパーグラフに基づく時間グラフ畳み込みネットワークモデルSTGCN_Hyperを提案する。 我々のモデルはデータ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し、異常検出の精度、リコール、F1スコアで既存のベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-10-29T17:19:18Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。