面向剩余有用寿命预测的时间异构图神经网络
人工智能
2025-08-07 v3
摘要
预测剩余有用寿命（RUL）在涉及多种相互关联传感器的工业系统的诊断和健康管理中发挥着关键作用。鉴于这些系统持续不断的时间序列传感器数据，深度学习模型在识别这些数据中复杂的非线性时序依赖方面日益凸显。除了单个传感器的时序依赖之外，空间相关性也变得重要，这些相关性可由描述时变空间关系的时间图来自然建模。然而，大多数现有研究仅依赖于捕获该时间图的离散快照，这种粗粒方法导致时序信息丢失。此外，鉴于异构传感器的多样性，针对RUL预测中的时间传感器图至关重要的是要充分利用这些固有的异构性。为捕捉传感器图中时间和空间关系以及异构特征的细微差别，我们引入一种新型模型，称为时间异构图神经网络（THGNN）。具体而言，THGNN聚合来自相邻节点的历史数据，以准确捕获传感器数据流中时间动态和空间相关性。此外，模型利用特征线性调制（FiLM）来解决传感器类型多样性问题，显著提高模型学习数据来源异构性的能力。最后，我们通过全面实验验证了方法的有效性。我们的实证发现显示，在 N-CMAPSS 数据集上，相较于最先进的方法，我们实现了约 19.2% 和 31.6% 的两个不同评估指标的提升。
引用
@article{arxiv.2405.04336,
title = {Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction},
author = {Zhihao Wen and Yuan Fang and Pengcheng Wei and Fayao Liu and Zhenghua Chen and Min Wu},
journal= {arXiv preprint arXiv:2405.04336},
year = {2025}
}
备注
14 pages