Vollständiger Graph-Autoencoder zur Anomalieerkennung in Gruppen für Ein-Klassen-IIoT-Systeme

Mit der zunehmenden Automatisierung und Integration von Geräten ist es dringend erforderlich, Anomalieerkennung (AD) für das großflächige System durchzuführen, um die Sicherheit im Rahmen des Industrial Internet of Things (IIoT) zu gewährleisten. Neu entwickelte intelligente Methoden konzentrieren sich auf die Diagnostik oder Erkennung auf Komponentenebene, was die Gesundheitsbewertung von Systemen mit multiquellen Datenkopplung erschwert. Darüber hinaus betonen datengesteuerte Methoden selten die Nutzung von Wissen aus dem realen physischen System. In diesem Artikel schlagen wir einen vollständigen Graph-Autoencoder vor, um eine Ein-Klassen-Gruppen-AD für das großflächige IIoT-System durchzuführen. Das vorgeschlagene Modell nimmt als Eingabedaten den Normalzustand während des Trainings und besteht lediglich aus mehreren normalisierten graphkonvolutiven Schichten, wodurch es einfach und schnell ist. Anders als bei euklidischen Methoden kann das vorgeschlagene Modell verschiedene unregelmäßige Strukturen zusammen verarbeiten. Für das Graph-Lernen werden multivariate Zeitserien in Graphdaten umgewandelt, die mit priorisiertem Wissen fusioniert sind. Um AD zu erreichen, schlagen wir vor, den vollständigen Graphen zum ersten Mal zu rekonstruieren, um einen zuverlässigen Anomaliewert zu erhalten. Darüber hinaus erweitern wir ein variationales Modell, um die Graphrepräsentation vollständig zu erlernen. Zudem wird eine Graph-Augmentierungsoperation eingesetzt, um die Genauigkeit und Robustheit zu verbessern. Die vorgeschlagenen Modelle werden an zwei Multisensor-Datensätzen von Flüssigkeitsraketenantriebssystemen (LRE) evaluiert, und die experimentellen Ergebnisse demonstrieren die Wirksamkeit und Generalisierbarkeit des IIoT-Systems.