基于图神经网络的剩余有用寿命预测综述：方法、评估与未来趋势
机器学习
2024-10-01 v1 人工智能
摘要
剩余有用寿命(RUL)预测是可靠性与健康管理(PHM)的关键方面，旨在预测系统的未来状态，以实现及时维护并防止意外故障。虽然已有的深度学习方法显示出前景，但它们往往难以充分利用复杂系统中固有的空间信息，限制了其在RUL预测中的效果。为了解决这一挑战，最近的研究探索了使用图神经网络(GNN)来建模空间信息，以实现更准确的RUL预测。本文present了应用于RUL预测的GNN技术的全面综述，总结了现有方法并为未来研究提供指导。我们首先提出了一种新颖的分类法，基于适应GNN用于RUL预测的阶段，将方法系统性地归类为四个关键阶段：图构建、图建模、图信息处理和图读取。通过以这种方式组织该领域，我们强调了GNN管道每个阶段的独特挑战和考虑因素。此外，我们对 various state-of-the-art(SOTA)GNN方法进行了彻底的评估，确保一致的实验设置以进行公平比较。这种严格的分析yielded对不同方法优缺点的宝贵见解，为在该领域工作的研究人员和实践者提供了实验指南。最后，我们确定并讨论了几个有前景的研究方向，强调GNN有望革新RUL预测并提高PHM策略有效性的潜力。 benchmarking代码已在GitHub上提供：https://github.com/Frank-Wang-oss/GNN_RUL_Benchmarking。
引用
@article{arxiv.2409.19629,
title = {A Survey on Graph Neural Networks for Remaining Useful Life Prediction: Methodologies, Evaluation and Future Trends},
author = {Yucheng Wang and Min Wu and Xiaoli Li and Lihua Xie and Zhenghua Chen},
journal= {arXiv preprint arXiv:2409.19629},
year = {2024}
}