Иерархические нейросети с многократным вниманием для диагностики и компенсации отказов датчиков в цифровых двойниках

Почему умным фабрикам нужны надежные «органы чувств»

По мере того как фабрики, энергосети и водные системы становятся умнее, они опираются на тысячи миниатюрных электронных «глаз и ушей», которые подают данные в их цифровые двойники — виртуальные копии, используемые для мониторинга и управления реальным оборудованием. Но когда даже несколько датчиков начинают искажать показания из‑за износа, помех или отказа, цифровой двойник может быть серьёзно введён в заблуждение, что ведёт к ошибочным решениям и в крайних случаях — к каскадным отказам. В статье представлен новый способ непрерывно обнаруживать плохие показания датчиков и незаметно заменять их надёжными виртуальными оценками, сохраняя точность цифрового двойника и корректную работу физической системы.

От физических машин к их виртуальному зеркалу

Цифровые двойники функционируют как живые, высокоточные зеркала физических систем — трансформаторов или сетей резервуаров, например. Они зависят от потоков измерений — температур, давлений, расходов — чтобы моделировать сценарии «что‑если», планировать техобслуживание и корректировать управление. Традиционные способы защиты от неисправных датчиков часто предусматривают установку трёх физических датчиков параллельно и принятие решения большинством — простая, но дорогостоящая стратегия. Более новые методы опираются на данные: модели изучают, как датчики должны вести себя по историческим записям, и помечают отклонения. Однако многие из этих подходов испытывают трудности на сложных данных, при тонких типах отказов или при сложном взаимодействии множества датчиков. Авторы утверждают, что более умное использование современных механизмов внимания в нейросетях может преодолеть эти ограничения.

Обучение виртуального датчика «ожидать» реальность

Первый блок предлагаемой архитектуры — модуль виртуального датчика, программная замена для каждого физического датчика. Он учится предсказывать, что должен показывать каждый датчик, анализируя недавние данные со всех датчиков на коротком временном оконце. Чтобы делать это эффективно, модуль использует две параллельные нейронные ветви. Одна основана на энкодере Transformer, который хорошо выявляет долгосрочные закономерности во времени. Другая — двунаправленная рекуррентная сеть, которая смотрит и вперёд, и назад по последовательности, захватывая, как датчики соотносятся друг с другом в каждый момент. Механизм перекрёстного внимания затем позволяет этим ветвям обмениваться информацией, подчёркивая согласованные признаки и ослабляя шум. В результате получается высокоточная оценка того, что должен был бы показывать каждый исправный датчик в любой момент.

Преобразование расхождений в явные сигналы тревоги

Когда виртуальный датчик делает предсказания, система сравнивает их с фактическими измерениями. Абсолютная разница между ними — остаток (residual) — служит исходным материалом для обнаружения отказов. Небольшие остатки означают нормальное поведение, большие могут сигнализировать о проблеме. Но реальные данные шумны, и даже исправные датчики редко идеально совпадают с моделью. Чтобы отделить безвредные колебания от реальных отказов, авторы подают последовательности остатков во второй крупный модуль: блок диагностики отказов, построенный на свёрточных нейросетях. Здесь снова две параллельные ветви специализируются на разных аспектах. Одна использует приём squeeze‑and‑excitation для автоматического перераспределения важности каналов и фокусировки на наиболее информативных шаблонах. Другая применяет глобальное внимание, выделяя значимые области по всей карте остатков. Перекрёстное внимание объединяет эти глобальные и локальные подсказки, позволяя классификатору различать нормальную работу и три типа отказов: постоянный сдвиг (bias), постепенное дрейфование и усиленные (коэффициентные) ошибки.

Автоматическая замена неисправных датчиков

Одного обнаружения недостаточно; система также должна поддерживать бесперебойную работу цифрового двойника во время возникновения отказов. Для этого в архитектуру включён блок принятия решений, действующий как автоматический диспетчер. Для каждого датчика он получает и реальное показание, и виртуальную предсказанную величину, а также результат диагностики, указывающий на наличие или отсутствие отказа. Если датчик признан исправным, его реальное значение передаётся в цифровой двойник. Если он помечен как неисправный, блок мгновенно переключается на виртуальное значение. Такая динамическая подмена выполняется для многих датчиков параллельно, без участия человека, предотвращая распространение плохих данных по системам управления и оптимизации.

Насколько хорошо новый подход работает на практике

Исследователи протестировали свой метод на двух открытых наборах данных: один с записями температур силовых трансформаторов, другой — с измерениями давлений в сети из 100 взаимосвязанных резервуаров воды. Они вводили реалистичные искусственные отказы разного типа и продолжительности в реальные измерения, затем обучали и оценивали свою систему. Виртуальный датчик дал более точные предсказания по сравнению с несколькими сильными альтернативами, включая стандартные рекуррентные сети и чистые модели Transformer. Модуль диагностики также превзошёл конкурирующие классификаторы и автокодировщики, особенно в сложных случаях, где типы отказов перекрывались или происходили множественные отказы одновременно. Прирост точности был особенно заметен в сложных многоотказных сценариях, где традиционные одноветвевые модели часто теряют устойчивость.

Что это означает для будущих умных систем

Проще говоря, исследование показывает, что тщательно спроектированный «надсмотрщик» на базе многовнимательных нейросетей способен в реальном времени обнаруживать и корректировать неверные показания датчиков, значительно повышая надёжность цифровых двойников. Комбинируя дополняющие друг друга представления временных закономерностей и связей между датчиками, а также автоматически переключаясь на виртуальные измерения при необходимости, предлагаемая архитектура помогает сохранять верность виртуального зеркала даже при отказе части его физических «глаз». Это, в свою очередь, способствует более безопасной и надёжной эксплуатации критически важных инфраструктур, таких как энергосети и водные системы, по мере их перехода в эпоху Industry 5.0.

Цитирование: Pan, L., Li, H., Li, X. et al. Hierarchical multi-attention neural networks for sensor fault diagnosis and mitigation in digital twins. Sci Rep 16, 8665 (2026). https://doi.org/10.1038/s41598-026-42046-5

Ключевые слова: цифровой двойник, диагностика отказов датчиков, промышленный IoT, нейронные сети, механизм внимания