Application of Causal Attention Learning in Industrial Fault Diagnosis

实验环境

请按照此要求设置环境。通常，您可能需要运行以下命令：

conda create -n CAL python=3.8
conda activate CAL
conda install pytorch cudatoolkit=11.6 -c pytorch
conda install opencv scikit-learn networkx pandas tqdm matplotlib seaborn
pip install torch==1.12.0
pip install torch-scatter==2.0.9 -f https://pytorch-geometric.com/whl/torch-1.12.0+cu116.html
pip install torch-sparse==0.6.14 -f https://pytorch-geometric.com/whl/torch-1.12.0+cu116.html
pip install torch-cluster==1.6.0 -f https://pytorch-geometric.com/whl/torch-1.12.0+cu116.html
pip install torch-spline-conv==1.2.1 -f https://pytorch-geometric.com/whl/torch-1.12.0+cu116.html
pip install torch-geometric==2.0.4

数据集下载

三相流动设施数据：克兰菲尔德大学的三相流动设施（TFF）设计用于控制加压系统，并测量水流量、油流量和空气流量。该设施中共有24个传感器，用于测量系统不同关键位置的压力、流速、密度和温度。

下载地址：

A Benchmark Case for Statistical Process Monitoring - Cranfield Multiphase Flow Facility - File Exchange - MATLAB Central (mathworks.com)

运行方式

对模型进行训练和测试，执行以下指令：

python main_real.py --model CausalGAT --dataset TFF

实验结果

我们将文中给出的模型与其他基线模型进行对比，在三相流动设施数据集上，我们的模型CAL表现出更好的分类性能，测试准确率更高，具体如下表：

	GAT	PKT-MCNN	IAGNN	CAL
Accuracy	0.8692	0.8805	0.9192	0.9641

因此，当我们在该三相流动设施上使用我们提出的模型进行故障诊断，能够更好地识别出故障的发生及其故障类型，尽可能减小对生产造成的损失，最终完成了实验目标。