KG-EIGNN：一种基于知识图谱的图神经网络，用于工业系统故障检测

为何更智能的故障检测很重要

现代工厂、电站和管道依赖成千上万的传感器来提醒工程师出现异常。然而，许多现有的故障检测工具要么错过早期征兆，要么以令人困惑的警报淹没人员。该研究提出了一种新的传感器数据解读方式，将人工经验与先进的基于图的人工智能相结合，有望在故障发生前提供更快、更清晰且更可靠的预警。

从分散的传感器读数到互联的叙事

在许多工业系统中，传感器常被当作孤立个体：每个读数被单独监控或输入模型，而不考虑它与其他读数的关系。作者认为这会浪费重要的上下文。相反，他们将传感器及其关系表示为一个网络或图，其中每个传感器是一个节点，节点之间的连接显示信号随时间如何相互影响。该图不仅捕捉每个传感器的测量，还反映变化如何在系统中传播，把原始数据转化为关于故障如何发展的一幅连贯图景。

将专家知识加入地图

为了超越纯数据驱动的模型，研究者构建了一个编码工程师对设备理解的知识图谱。在该图谱中，组件、症状和已知故障类型通过诸如某部件影响哪一部分、或某症状通常与某种故障共现等关系相连。这些经专家验证的连接与历史传感器数据中发现的模式相结合。通过将这张专家图嵌入传感器图中，该方法能够聚焦于具有物理意义的连接，而不是追逐每一个统计上的巧合。

教模型分辨真正的因果

故障诊断的一个关键挑战是区分因果与巧合。在复杂工厂中，许多信号共同变化并非因为一方导致另一方，而是因为两者都对运行条件或噪声等隐含因素作出响应。所提出的模型 KG-EIGNN 借用因果分析的策略来应对这一点。它创建受控的传感器图变体，并引入特殊的辅助变量，这些变量扰动输入而不直接影响最终决策。通过学习在这些精心设计的变化下预测应保持稳定，系统学会淡化误导性连接并强化那些真正反映故障如何产生的连接。

处理罕见故障与混乱数据

在真实设施中，严重故障很少见——这对安全是好事，但对机器学习来说很困难。许多方法需要大量且平衡的数据集才能表现良好。KG-EIGNN 通过两种方式应对这一问题。首先，它使用对比学习，训练模型识别不同故障情景之间的关联，即便某些情景稀少。其次，它将此与标准的监督训练结合，利用已知的正常与故障实例来指导预测。结合知识图谱和因果干预，这种混合方法帮助模型从有限样本中泛化，并在面对噪声和不均衡数据时保持鲁棒性。

将方法付诸检验

团队在两个现实感知的案例研究中评估了 KG-EIGNN。一个模拟在加压管道中流动的水、油和气混合物，另一个模拟核能系统中的燃气轮机。这两个数据集都包含大量传感器、多种不同的故障类型以及正常运行状态。在这些测试中，新方法持续优于传统分类器和早期的基于图的模型，取得了更高的准确率和更好的故障类别区分效果。它在反映模型对故障与健康状态排序能力的指标上也表现强劲，这对于可靠的早期预警至关重要。

这对真实工厂意味着什么

对非专业读者来说，关键结论是 KG-EIGNN 像一个更聪明、更有见识的守望者。通过结合传感器网络、关于设备如何失效的专家地图，以及探查因果而非仅仅相关性的工具，它能够比许多现有方法更准确、更早地识别和区分故障。尽管当前测试侧重于模拟的能源系统，但相同思路可扩展到工厂、化工厂和其他传感器密集的场景。经过在真实环境中的进一步验证，这类模型有望减少计划外停机、降低维护成本并提升关键基础设施的安全性。

引用: Bo, W., Ju, C., Hu, J. et al. KG-EIGNN: a knowledge graph based graph neural network for fault detection in industrial systems. Sci Rep 16, 15471 (2026). https://doi.org/10.1038/s41598-026-42723-5

关键词: 故障诊断, 工业传感器, 图神经网络, 知识图谱, 预测性维护