A-SSGC: Adaptive Graph Construction Capturing Physicochemical Commonalities for Industrial Fault Diagnosis
Rattachement africain : my, cn, gb. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurate identification of subtle faults in industrial manufacturing remains a critical challenge, driving increased adoption of machine learning (ML) techniques. However, classical ML models often overlook complex inter-sample relationships rooted in shared physicochemical properties, thereby compromising diagnostic accuracy. Addressing this, we propose Adaptive Synergistic Similarity Graph Construction (A-SSGC), a novel algorithm that adaptively fuses multiple graph construction methods. A-SSGC employs an adaptive sparsification strategy, guided by node degrees, to capture physicochemical commonalities among samples effectively. A-SSGC significantly outperforms traditional ML models, basic graph construction techniques, and both unsupervised and semi-supervised deep graph construction approaches. It consistently outperforms these baselines across representative graph neural networks on multiple industrial manufacturing datasets. Visualization of the constructed graphs confirms the ability of A-SSGC to reveal physicochemical commonalities, thereby enhancing interpretability and supporting deeper analytical insights. By effectively capturing these commonalities, A-SSGC improves diagnostic performance. It also shows strong potential as a versatile tool for industrial data analysis, contributing to improved automation and reliability in manufacturing processes. Our code and datasets are available at https://github.com/AnguoCYF/A-SSGC.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- A-SSGC: Adaptive Graph Construction Capturing Physicochemical Commonalities for Industrial Fault Diagnosis
- Date Crossref
- 15/11/2025
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
University of Nottingham Malaysia Campus pays non établi dans la noticeUniversité ou école supérieure
-
Harbin Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
University of Nottingham pays non établi dans la noticeUniversité ou école supérieure
-
Edge Hill University Department of Computer Science pays non établi dans la noticeUniversité ou école supérieure
-
School of Computer Science pays non établi dans la noticeUniversité ou école supérieure
-
Zhengzhou Research Institute pays non établi dans la noticeStructure de recherche
-
Faculty of Computing pays non établi dans la noticeUniversité ou école supérieure
University of Nottingham Malaysia Campus, Harbin Institute of Technology et University of Nottingham, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.