摘要

在工业互联网（IIoT）中，复杂系统运行于不同工况下时，其状态监测传感器信号常表现出非线性与随机性的时空动态特性，这使得故障检测尤为困难。尽管以往方法能够有效建模此类动态特性，但往往忽视了传感器信号之间关系的演化过程。若这些关系发生未被察觉的偏移，极易引发重大系统故障。此外，现有方法常将新型运行工况误判为故障，导致误报率升高。针对上述局限，本文提出一种新型早期故障检测方法——DyEdgeGAT（基于图注意力机制的动态边推理），用于IIoT系统的故障识别。DyEdgeGAT的核心创新在于提出一种面向多变量时间序列的新型图结构推断机制，通过动态边构建技术，实现对时间序列间关系演化过程的持续追踪。另一项关键创新在于，该方法能够将运行工况上下文信息融入节点动态建模中，显著提升了模型的准确性与鲁棒性。我们通过两个层面的实验对DyEdgeGAT进行了严格评估：一是基于合成数据集，模拟了不同严重程度的故障；二是基于真实世界工业级多相流实验平台基准数据，涵盖多种故障类型及复杂多变的运行条件。实验结果表明，DyEdgeGAT在故障检测性能上显著优于现有基线方法，尤其在低严重度早期故障检测中表现突出，并在面对新型运行工况时仍保持优异的稳定性和适应性。