主动异常检测链路预测模型

MRR超基线25.6%

融合局部图学习与Seq2Seq时序特征的深度图神经网络，用于离散制造车间多源异构数据下的主动异常检测，预测效能显著优于基线。

Wang, Shengbo · Yu, Guo · 黄少华 · Ruixi, Lai · Litong, Zhang · 钱巍巍

Journal of Manufacturing Systems 2025

参数信息

平均倒数排名提升

25.6 %

技术优势

异常检测更准

局部图学习与Seq2Seq时序注意力机制共同捕捉制造过程的空间邻居关系和时间关联，预测性能优于基线模型。

MRR提升至少25.6%

在实验中，所设计的链路预测模型的平均倒数排名比基线模型至少高出25.6%。

多源数据融合

通过OPC UA信息模型、Bert模型和OWL语义映射模型构建制造知识图谱，组织多源异构数据。

应用场景

• 离散制造车间：用多源异构数据评估生产状态，支撑离散车间的预防性维护决策。
• 工业物联网：利用知识图谱组织工业IoT多源数据，实现主动异常检测。
• 预测性维护：为预防性维护提供关键基础，提前发现异常并预警。