首页 > AI前沿 > DySR-GNN: Dynamic Sensor-Relationship Graph Neural Network for Root Cause Analysis in Automotive HiL Multivariate Time Series

DySR-GNN: Dynamic Sensor-Relationship Graph Neural Network for Root Cause Analysis in Automotive HiL Multivariate Time Series

arXiv机器学习 2026-11-12 18:58 23 阅读 查看原文

研究背景与方法提出

汽车硬件在环(Hardware-in-the-Loop,HiL)系统中的根因分析极具挑战性,原因在于故障可能会在多个相互交互的信号之间传播,这使得最异常的传感器与实际故障根源存在差异。本研究提出了DySR-GNN,即动态传感器关系图神经网络,用于多元HiL时间序列中的监督式多标签根因识别。

方法原理

该方法联合提取单个传感器信号内的时间模式以及传感器之间的结构关系。每个传感器均由共享时间编码器进行处理,并与可训练的传感器身份表示相结合,据此为每个输入窗口独立重构出一张稀疏关系图。

这种窗口特定的结构为图消息传递和直接根位置预测提供了传感器关系的显式表示。

实验结果与分析

在记录不相交评估协议下,所提出的模型优于以下模型,取得了记录级Macro-F1为0.9524、MCC为0.9302以及严格精确匹配准确率为0.8519的成绩:

  • CNN--LSTM
  • Static GCN
  • Static GAT
  • 基于上下文的变体(context-based variants)

对所学图的分析揭示了传感器变量之间持续存在且依赖于状态的关系。结果表明,在提取时间表示的同时提取自适应关系结构,能够提升复杂汽车网络物理系统中的多标签根因识别效果。