تعتبر عملية الكشف والتشخيص عن الأعطال أمرًا بالغ الأهمية لضمان التشغيل الأمثل والآمن للعمليات الصناعية. في هذا السياق، غالبًا ما تتسم العلاقات بين أجهزة الاستشعار بهياكل غير إقليدية، مما يجعل من الشبكات العصبية البيانية (Graph Neural Networks) الخيار الأمثل في هذا المجال. ومع ذلك، في الأنظمة الكبيرة، تنشأ علاقات محلية وعالمية وديناميكية كثيرة بين أجهزة الاستشعار، وغالبًا ما تتجاهل الشبكات العصبية التقليدية هذه الهياكل المعقدة ومتعددة المستويات، مما يؤثر على فعالية تشخيص الأعطال.

تقديمًا لهذا التحدي، تم تطوير شبكة بيانية زمنية متعددة المستويات تتمتع بوعي هيكلي (Structure-aware Multi-Level Temporal Graph Network) تجمع بين خصائص محلية وعالمية لتحسين تشخيص الأعطال الصناعية. تبدأ الآلية ببناء شبكة ارتباط ديناميكية باستخدام معاملات الارتباط بيرسون (Pearson correlation coefficients) لالتقاط العلاقات بين المتغيرات العملية. بعد ذلك، يتم استخراج الميزات الزمنية عبر مشفر يعتمد على الذاكرة قصيرة وطويلة الأجل (Long Short-Term Memory - LSTM)، بينما تُتعلم التبعيات المكانية بين أجهزة الاستشعار من خلال طبقات الالتواء البياني (Graph Convolution Layers).

تستخدم آلية التجميع متعددة المستويات (Multi-Level Pooling Mechanism) لتقليل البيانات بشكل تدريجي والتعلم من الهياكل البيانية المهمة، مما يسمح بالتقاط أنماط أعلى مع الاحتفاظ بالتفاصيل الهامة المتعلقة بالأعطال. وأخيرًا، يتم تطبيق خطوة دمج تجمع بين الميزات المحلية المفصلة والأنماط العامة قبل إجراء التنبؤ النهائي.

أظهرت تقييمات تجريبية على معالجة تينيسي إيستمان (Tennessee Eastman Process) أن النموذج المقترح يحتل الصدارة في أداء تشخيص الأعطال، خاصة في سيناريوهات الأعطال المعقدة، متفوقًا على العديد من الأساليب التقليدية.