Graph-Structured-about-CSA

该数据集名为Graph-Structured-about-CSA，由哈尔滨工程大学船舶与海洋工程学院的研究团队创建。数据集包含12个系统、1262种故障模式以及6150条传播路径。数据集的构建旨在解决自主货船（ACS）中组件故障导致的级联反应和应急决策的不确定性问题。数据集通过改进的布谷鸟搜索算法（HN-CSA）提高了文献检索效率，并采用分层特征融合框架，利用Word2Vec、BERT-KPCA和Sentence-BERT等方法对故障模式和原因进行编码和量化。该数据集为自主货船的故障分析、故障诊断、风险评估和智能决策支持系统提供了可靠的数据支持。

This dataset, named Graph-Structured-about-CSA, was developed by a research team from the College of Shipbuilding and Ocean Engineering, Harbin Engineering University. It includes 12 systems, 1262 fault modes, and 6150 propagation paths. The dataset was constructed to address the uncertainties in cascading reactions and emergency decision-making triggered by component failures in Autonomous Cargo Ships (ACS). To enhance literature retrieval efficiency, an improved Cuckoo Search Algorithm (HN-CSA) is utilized, and a hierarchical feature fusion framework is adopted. Methods such as Word2Vec, BERT-KPCA, and Sentence-BERT are employed to encode and quantify fault modes and their corresponding causes. This dataset offers reliable data support for fault analysis, fault diagnosis, risk assessment, and intelligent decision support systems of Autonomous Cargo Ships.

搜集汇总

数据集介绍

构建方式

该数据集的构建采用了多模态特征融合的方法，通过改进的布谷鸟搜索算法（HN-CSA）高效检索文献，显著提升了检索效率。具体步骤包括：首先，利用Word2Vec模型对子系统/组件特征进行编码；其次，采用BERT-KPCA处理故障模式/原因；最后，通过Sentence-BERT量化故障影响与应急决策之间的语义关联。数据集覆盖了12个系统、1,262种故障模式和6,150条传播路径，确保了数据的全面性和准确性。

使用方法

该数据集适用于多种下游任务，包括故障模式分类、风险传播路径预测和智能决策支持。用户可以通过加载图结构数据，利用图神经网络（如GATE-GNN）进行模型训练和评估。数据集的训练集、验证集和测试集已按20%、20%和60%的比例划分，并采用SMOTE技术平衡类别分布。具体使用方法可参考GitHub仓库提供的代码和文档。

背景与挑战

背景概述

Graph-Structured-about-CSA数据集由哈尔滨工程大学船舶工程学院的研究团队于2024年创建，旨在解决自主货船(ACS)组件故障引发的连锁反应及应急决策不确定性问题。该数据集创新性地采用图结构表示故障传播路径，涵盖12个子系统、1,262种故障模式和6,150条传播路径，通过改进的布谷鸟搜索算法(HN-CSA)显著提升文献检索效率。数据集融合了Word2Vec、BERT-KPCA和Sentence-BERT等多模态特征提取技术，为船舶故障诊断、风险评估和智能决策系统提供了重要支撑，推动了海事安全领域的知识图谱构建与智能分析发展。

当前挑战

该数据集面临双重挑战：在领域问题层面，需准确建模复杂海洋环境中组件故障的非线性传播特性，解决故障模式识别中语义歧义和跨系统耦合关系表征难题；在构建过程层面，面临多源异构数据整合困难，包括实验模拟数据与真实场景的差异性、故障文本描述的标准化处理，以及基于注意力机制的特征融合优化等问题。特别需要克服BERT模型对长文本语义捕获不足、图结构边关系动态更新等关键技术瓶颈。

常用场景

经典使用场景

在自主货船（ACS）的故障分析与决策支持系统中，Graph-Structured-about-CSA数据集被广泛应用于构建故障传播路径的图结构模型。该数据集通过融合Word2Vec、BERT和Sentence-BERT等多模态特征，能够精确表征子系统、组件、故障模式及其关联关系，为故障诊断和风险评估提供结构化数据支持。例如，在智能导航控制系统的故障预测中，该数据集通过图神经网络（GNN）模型实现了故障传播路径的可视化与分类，准确率达0.735，显著提升了复杂故障耦合关系的解析能力。

解决学术问题

该数据集有效解决了自主货船领域故障数据分散、语义异构性强的学术难题。通过改进的布谷鸟搜索算法（HN-CSA）和分层特征融合框架，数据集整合了12个系统的1,262种故障模式与6,150条传播路径，填补了实验模拟数据与真实海洋环境差异的鸿沟。其核心贡献在于利用BERT-KPCA和Sentence-BERT量化故障效应与应急决策的语义关联，使得故障模式的分类准确率提升7.1%，为不确定性环境下的智能决策提供了可解释的数据基础。

实际应用

在航运业实际场景中，该数据集支撑了从故障预警到应急响应的全链条应用。例如，基于岸基气象服务系统的故障预测F1值达到0.93，可直接应用于船舶远程监控中心的风险控制系统。此外，数据集衍生的图结构模型被集成至智能能源管理系统，通过实时分析组件故障的拓扑传播路径，优化了货船动力分配的鲁棒性，减少了15%的非计划停航事件。

数据集最近研究

最新研究方向

近年来，Graph-Structured-about-CSA数据集在自主货船（ACS）组件故障分析领域引起了广泛关注。该数据集通过融合Word2Vec、BERT和Sentence-BERT等多种特征提取技术，构建了一个包含12个系统、1,262种故障模式和6,150条传播路径的图结构数据集。其核心研究方向集中在故障模式的语义表示、故障传播路径的动态建模以及智能决策支持的优化上。特别是在特征融合框架中，通过改进的布谷鸟搜索算法（HN-CSA）显著提升了文献检索效率，F1分数达到0.60，优于传统算法。此外，该数据集在GATE-GNN模型中的分类准确率达到0.735，与Cora和CiteSeer等基准数据集相比表现出较强的竞争力。这些研究不仅为ACS的故障诊断和风险评估提供了可靠的数据支持，还推动了航运业智能化和无人化转型的前沿探索。

相关研究论文

• Graph-Structured Data Analysis of Component Failure in Autonomous Cargo Ships Based on Feature Fusion

  哈尔滨工程大学船舶与海洋工程学院，哈尔滨，150001，黑龙江，中国 · 2025年