Grafische neuronale Netze (GNN) vs. herkömmliche Methoden: Was ist bei der Fehlerdiagnose mehrerer Sensoren an einer Krananlage genauer – ein Vergleich anhand der Sensor-Korrelationsgrafik

天车故障诊断的精度直接关系设备和人员安全。当前主流方案仍停留在独立传感器特征提取+传统分类器的范式——分别从每个振动、温度、电流传感器提取统计特征（RMS/峰值/标准差/偏度），拼接成高维向量后送入SVM或MLP。但这种做法有一个根本问题：忽略了传感器之间的结构关联。以起升机构为例，减速机振动异常（V3传感器）和电机电流波动（C2传感器）之间存在物理因果链——齿轮磨损→啮合冲击→电机扭矩波动→电流波动。这种关联信息在独立特征向量中完全丢失。

图神经网络（GNN）通过将传感器系统建模为图结构（节点=传感器，边=物理/功能关联），在消息传递过程中自动聚合邻居节点信息，从而捕获传感器间的结构化关联。本文基于克鲁德重工天车故障诊断实验平台（12类传感器×28台天车×3年运行数据），对比GNN与传统方法的分类性能、可解释性和部署效率。

天车多传感器图构建：节点定义、边规则与邻接矩阵

节点定义：克鲁德重工天车故障诊断平台在每个关键部件部署4类传感器，共12个节点：振动传感器V1~V4（分别位于起升电机驱动端轴承座、减速机输入端轴承座、卷筒轴承座、小车行走轮轴承座）、温度传感器T1~T3（起升电机定子绕组、制动器摩擦面、减速机油池）、电流传感器C1~C3（起升电机三相各一）、扭矩传感器Q1~Q2（卷筒轴两端）。每个传感器采集的原始信号经256点滑动窗口分帧后提取10维特征（RMS、峰值因子、波形因子、脉冲因子、裕度因子、偏度、峭度、频率重心、频带能量比[0~500Hz]、频带能量比[500~2000Hz]），构成节点特征向量xᵢ∈ℝ¹⁰。

边定义策略：边集合E的构建采用三种规则组合——物理连接边（同一传动链上的传感器，如V1→C1→T1形成起升电机监测链，边权重w=1.0）、功能耦合边（互为因果关系的传感器对，如V3减速机振动与C2电机电流之间的机电耦合，由互信息MI≥0.3判定连接，边权重w=MIᵢⱼ）、空间邻近边（安装距离d≤500mm的传感器，以距离倒数为权重w=1/d）。最终图G=(V,E)包含12个节点、38条边（其中物理连接18条、功能耦合12条、空间邻近8条），图密度ρ=2|E|/(|V|(|V|-1))=0.576。

邻接矩阵A：大小为12×12，Aᵢⱼ=wᵢⱼ（有边时取权重值）、Aᵢⱼ=0（无边或i=j的自环在后处理中添加）。邻接矩阵经过对称归一化处理：Â = D^(-½)·A·D^(-½)，其中D为度矩阵。归一化后的Â特征值λ∈[-1,1]，保证GNN训练的数值稳定性。

数据来源：克鲁德重工天车故障诊断平台传感器部署规范（KL-SEN-DEP-2025 Rev.3）及28台天车实测部署记录。每种传感器安装前经过计量校准（有效期≤12个月），校准证书编号归档备查。

GCN与GAT模型架构：消息传递机制与PyG实现

图卷积网络（GCN）：Kipf & Welling 2016提出，核心操作为归一化聚合邻居特征：H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾)。克鲁德重工实验采用三层GCN架构：输入层（12×64，ReLU + Dropout p=0.3）→ 隐藏层（64×128，ReLU + Dropout p=0.3）→ 输出层（128×4，Softmax）。每层使用对称归一化邻接矩阵Â进行聚合，等效于对空间邻近传感器做局部均值池化。全连接参数量为(12×64)+(64×128)+(128×4)=9,344个可训练参数，推理时单样本前向传播延迟3.2ms（NVIDIA RTX 3060）。

图注意力网络（GAT）：Velickovic et al. 2018引入注意力机制，为每条边分配可学习的注意力系数αᵢⱼ：αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ]))，聚合公式为hᵢ’ = σ(∑αᵢⱼ·W·hⱼ)。采用4头注意力（head=4），每头输出16维拼接为64维隐藏表示，两层GAT后接全连接分类头。注意力机制的优势在于：系统会自动学习哪些传感器连接更重要——实验发现V1↔V2（同轴承座振动）的注意力权重α=0.32最高，而V3↔T2（卷筒振动↔制动器温度）的α=0.09最低，说明模型正确捕获了物理关联强度。

PyG实现代码（简化训练循环）：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv, GATConv, SAGEConv
from torch_geometric.data import Data

class GCNFaultDetector(torch.nn.Module):
    """三层GCN天车故障诊断模型"""
    def __init__(self, in_dim=10, hidden_dim=64, out_dim=4, dropout=0.3):
        super().__init__()
        self.conv1 = GCNConv(in_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, hidden_dim)
        self.conv3 = GCNConv(hidden_dim, out_dim)
        self.dropout = dropout

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index).relu()
        x = F.dropout(x, p=self.dropout, training=self.training)
        x = self.conv2(x, edge_index).relu()
        x = F.dropout(x, p=self.dropout, training=self.training)
        x = self.conv3(x, edge_index)
        return F.log_softmax(x, dim=1)

class GATFaultDetector(torch.nn.Module):
    """多头注意力GAT故障诊断模型——4头×16维"""
    def __init__(self, in_dim=10, hidden_dim=64, heads=4, out_dim=4, dropout=0.3):
        super().__init__()
        self.conv1 = GATConv(in_dim, hidden_dim//heads, heads=heads, dropout=dropout)
        self.conv2 = GATConv(hidden_dim, out_dim, heads=1, concat=False, dropout=dropout)

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index).relu()
        x = F.dropout(x, p=0.3, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 数据加载（28台×12节点×3年时序→图结构数据）
# edge_index: [2, 76]  (38条无向边→76条有向边)
# x: [12, 10]          (12节点×10维特征)
# y: [12]              (节点级故障标签: 0正常/1轴承/2齿轮/3不对中/4松动)
data_list = torch.load('crane_gnn_data.pt')
model = GCNFaultDetector()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

for epoch in range(200):
    model.train()
    total_loss = 0
    for data in data_list:
        optimizer.zero_grad()
        out = model(data.x, data.edge_index)
        loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    if epoch % 20 == 0:
        print(f'Epoch {epoch:3d} | Loss: {total_loss/len(data_list):.4f}')

代码说明：GCNFaultDetector使用三层GCNConv消息传递，隐藏维度64，Dropout 0.3防过拟合。GATFaultDetector首层采用4头注意力（每头16维→64维拼接），末层单头注意力输出4类故障概率。两者共享edge_index结构（38条无向边→76条有向边），实验中GAT的收敛速度比GCN快约30%（60轮vs 90轮达到验证集最优）。

实验平台：NVIDIA RTX 3060 12GB / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11。数据：克鲁德重工28台天车3年运行记录，按7:1.5:1.5划分训练/验证/测试集。GAT在4头注意力配置下达到最优F1=0.972，较GraphSAGE高2.5个百分点。

GNN vs 传统方法：5种方法6维度全量对比

对比实验设5种方法：SVM（RBF核，C=10，γ=’scale’）、随机森林（n_estimators=200，max_depth=15）、MLP（三层全连接，隐藏层[128,64]，ReLU+BN+Dropout）、GCN（三层，hidden=64）、GAT（4头，hidden=64/head）。为公平对比，所有方法使用相同的输入特征集：每个传感器提取10维统计特征，12个传感器拼接为120维特征向量（仅GNN使用图结构edge_index）。每方法重复5次取均值±标准差。

数据集构成：28台天车（QD型16台+LD型8台+防爆型4台），包含正常运行样本12,544条、轴承故障样本3,840条（含外圈/内圈/滚动体3种子类型）、齿轮磨损样本2,560条、不对中样本1,920条、松动样本1,536条，总计22,400条带标签样本。每条样本为一个256点滑动窗口的统计特征向量。

GAT以97.2%精度领先，较SVM提升12.5个百分点。消融实验中将图结构替换为单位矩阵（去除边信息后回到MLP模式），GCN精度降至89.8%，证实图结构信息贡献约6.0个百分点。参数量方面，GNN凭借参数共享机制（同层所有节点共享权重W）仅需9,344~9,732参数，远低于SVM的支持向量数和MLP的全连接参数量。相关实现细节可参考克鲁德重工Grad-CAM模型可解释性文章中的SHAP归因分析。

关联路径可解释性：注意力权重揭示传感器因果链路

GAT的注意力机制提供了天然的可解释性工具——每个传感器节点对其邻居分配的注意力权重αᵢⱼ直接反映该连接的诊断重要性。分析GAT训练收敛后12个节点的注意力系数矩阵（12×12，归一化为行和=1），发现以下关键模式：

高注意力链路（α≥0.20）：V1→V2（同轴承座振动传播，α=0.32）、V2→V3（减速机→卷筒传动链，α=0.28）、C1→C2（同一电机U↔V相电流耦合，α=0.25）、V1→T1（轴承磨损→摩擦升温因果链，α=0.22）。这些高注意力边全部对应物理传动链上的相邻传感器，与机械传动学原理一致。

低注意力链路（α≤0.08）：V4→Q2（小车行走轮↔卷筒右端扭矩，α=0.06）、T3→C3（减速机油温↔电机W相电流，α=0.07）。这些传感器分属不同子系统（小车行走机构 vs 起升机构），物理隔离距离>2m，注意力权重低是合理的——模型正确判断了它们之间的弱关联性。

轴承故障模式的可解释性：当模型诊断为轴承故障F1时，贡献最大的前3个传感器是V1（注意力α=0.32→Grad-CAM权重0.41）、V2（α=0.28→Grad-CAM权重0.32）和T1（α=0.22→Grad-CAM权重0.18）。振动传感器V1/V2的贡献占比73%，温度传感器T1贡献18%，这与轴承故障的物理表现（先振动升高→后摩擦发热）完全一致。

可解释性在工业场景中有实际价值：操作人员通过GAT注意力可视化面板可以看到”当前诊断结果主要来自轴承座的振动信号V1和V2″，而非一个不可解释的”故障”标签，从而建立对AI诊断的信任——这在克鲁德重工部署的12台试点天车中，操作人员对诊断结果的采纳率从初期的62%提升至94%。

工业部署验证：某钢厂连铸跨天车GNN诊断系统

部署环境：某大型钢厂连铸跨车间，5台QD32/5t桥式起重机，每台配置克鲁德重工KL-SEN-DEP传感器套件（12×10维×5kHz实时采集），边缘计算盒采用NVIDIA Jetson Orin NX（100TOPS，功耗25W），GAT模型通过TensorRT INT8量化后部署。模型压缩比：FP32（37.2MB）→ INT8（9.8MB），推理延迟5.7ms→1.9ms（下降67%），精度损失仅0.3%（F1=0.969）。

系统架构：传感器→数据采集卡（NI 9234，每通道51.2kS/s）→ Jetson Orin NX（实时FFT+特征提取+GAT推理）→ OPC UA（MQTT网关）→ 车间MES系统（故障告警+维护工单）。端到端延迟：传感器数据采集→特征提取（8.2ms）→GAT推理（1.9ms）→告警推送（12.5ms），总计<25ms，满足天车实时监控需求。

运行效果（2025年3月~2026年6月，16个月连续运行）：共发出预警184次，确认故障118次（其中GAT首报68次、人工巡检滞后确认50次），提前预警率57.6%。轴承故障提前预警平均提前72小时（最早提前240小时），齿轮磨损提前预警平均提前96小时。相比部署前（人工定期巡检+事后维修），非计划停机从年均7.2次降至2.8次（-61%），维护成本降低44%。16个月运行期间GAT模型准确率稳定在95.8%~97.2%区间，未发生漏报导致的安全事故。

关于边缘端部署的量化优化细节可参考克鲁德重工PyTorch→ONNX→TensorRT边缘部署实践。

Häufig gestellte Fragen (FAQ)

图神经网络在天车多传感器故障诊断中的优势已通过28台天车×3年运行数据的严格验证：GAT以F1=0.972显著超越SVM（0.847）和MLP（0.891），同时提供注意力权重可视化提升诊断可解释性。在工业部署中，16个月连续运行将非计划停机降低61%，提前预警平均提前72~96小时，且运营成本远低于传统方法。克鲁德重工正在推进GNN诊断系统在天车群间的联邦学习联合训练，进一步利用跨厂数据提升模型泛化能力。