Hierarchisches Wissensmodell verbessert Fehlerintensitätsdiagnose in Industrie
Die Fehlerintensitätsdiagnose (FID) ist ein entscheidender Bestandteil der Überwachung und Wartung von Maschinen in komplexen Industrieanlagen. Aktuelle FID‑Methoden berücksichtigen jedoch häufig nicht die Abhängigkeiten zwischen den Zielklassen, was die Genauigkeit einschränkt.
Um diese Lücke zu schließen, wurde ein hierarchisch wissensgesteuertes Diagnoseframework (HKG) entwickelt, das von der „Baum-des-Denkens“-Konzeption inspiriert ist. Das HKG nutzt Graph‑Convolutional‑Netzwerke, um die hierarchische Topologie der Klassenrepräsentationen in ein Set von globalen, hierarchisch verknüpften Klassifikatoren zu überführen. Jeder Knoten wird dabei durch Wort‑Embeddings der jeweiligen Klasse beschrieben, sodass die Klassifikatoren direkt auf tiefen, durch Repräsentationslernen extrahierten Merkmalen angewendet werden können. Das gesamte Modell ist somit end‑to‑end lernbar.
Zusätzlich wurde ein re‑gewichtetes hierarchisches Wissenskorrelationsmatrix‑Schema (Re‑HKCM) eingeführt. Dieses Schema integriert interklassische hierarchische Wissensbeziehungen in eine datengetriebene statistische Korrelationsmatrix (SCM). Durch eine Reihe mathematischer Transformationen wird die SCM in die Re‑HKCM überführt, was die Informationsweitergabe zwischen den Knoten in den Graph‑Convolutional‑Netzwerken gezielt steuert und das Problem der Überglättung verhindert.
Die Leistungsfähigkeit des HKG wurde an vier realen Datensätzen aus unterschiedlichen Industriebereichen getestet – drei Kavitation‑Datensätze von SAMSON AG und ein öffentlich verfügbarer Datensatz. In allen Experimenten übertraf das neue Modell die aktuellen Methoden des Standes der Technik für FID deutlich, was die Wirksamkeit einer hierarchisch strukturierten Wissensbasis für die Fehlerintensitätsdiagnose unterstreicht.