KGroot 使用事件知识和事件之间的关联性，通过整合知识图谱和 GCNs 进行根因推理，以自动识别故障事件和传播路径之间的关系，实现了准确率为 93.5% 的根本原因定位，表现优于工业环境中实时故障诊断和 RCA 的最先进基线。

Feb, 2024

应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

Feb, 2024

本文介绍了利用基于实体和关系的数据构建知识图谱的方法以及将众包方法应用于知识图谱构建，在制造业领域中建立了一个包含 65000 + 三元组的 FabKG，并展示了区分领域特定问题和基于表达式 / 公式的问题的用例。

May, 2022

该研究提出了一个本体重塑方法，将本体转化为更好地反映底层数据并帮助构建更好的知识图谱的知识图谱模式，从而解决工业分析中的低质量知识图谱可能带来的问题，由此提高了 SPARQL 查询的训练效率和知识图谱的可扩展性。

Sep, 2022

本文介绍基于时间序列的故障诊断技术来监测工业系统的实时运行状态、检测系统异常、诊断故障根本原因和预测状态趋势，并基于立方 DUCG 理论构建了一个专家知识和经验的工业故障诊断系统，解决了没有样本数据的工业系统故障诊断问题。

Mar, 2022

该论文提出了一种名为 REASON 的框架，用于自动发现根本原因局部层次（即网络内部）和全局层次（即跨网络）的因果关系，通过建立一个基于图神经网络的因果网络来追踪系统错误的根本原因，并使用极值理论估计每个实体成为根本原因的概率。实验证明，该框架能有效定位系统错误的根本原因。

Feb, 2023

制造电动车过程中的根本原因分析 (RCA) 是识别故障原因的过程。传统上，RCA 是通过依靠过程专家知识进行手动进行的。与此同时，传感器网络在制造过程中收集了大量的数据。使用这些数据进行 RCA 使其更高效。然而，纯数据驱动的方法如因果贝叶斯网络在大规模的实际制造过程中存在问题，因为有大量的潜在因果关系。此外，纯数据驱动的方法有可能遗漏已知的因果关系或学习到虚假的因果关系。本文提出了一种结合电动车制造过程的专家知识和数据驱动机器学习方法的交互智能 RCA 工具。它利用制造过程的大规模知识图谱进行推理，并学习因果贝叶斯网络。此外，交互式用户界面使得过程专家可以通过向知识图谱添加和删除信息来对根本原因图进行反馈。这种交互智能 RCA 工具减少了因果贝叶斯网络的学习时间，同时减少了虚假因果关系的数量。因此，交互智能 RCA 工具在专家和机器学习方法之间建立了一个闭环反馈。

Jan, 2024

利用内部对比学习技术和马氏距离，我们提出了广义的基于分布外故障诊断框架 (GOOFD)，用于集成检测、分类和新颖性故障诊断等多个诊断子任务，并在模拟和实际数据集上表明了该方法的有效性。

Jun, 2023

通过基于规则的技术提出一种系统级调试加速的原因分析流程，使用多项测试的日志提取工程特征和数据分析技术生成高质量的调试提示，以 Power Management (PM) 设计功能 Package-C8 的故障排除为案例研究并展示了它们的有效性，还提出了一种挖掘原因分析经验和结果以加速未来调试活动并减少验证专家依赖的方法，我们相信这些技术对于复杂的硬件、软件和固件系统，以及不同抽象层次的验证活动，无论是硅前还是硅后，都是有益的。

Jul, 2022

本文提出一种名为 CORAL 的在线根本原因分析框架，结合多元奇异谱分析和累积和统计学的方法，实现了系统实时状态的自动检测和更新原因分析模型，进而定位根本原因。实验表明，该框架在三个真实世界数据集的案例研究中表现出更高的准确性和优越性。

May, 2023