用于剩余使用寿命预测的时序异构图神经网络

《IEEE Transactions on Neural Networks and Learning Systems》：Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction

预测工业系统中多传感器时间序列数据的剩余使用寿命（RUL）是关键挑战，需同时捕捉传感器间的时空依赖关系及异质性特征。传统方法采用离散时空图，导致信息丢失。本文提出时空异构图神经网络（THGNN），通过聚合邻域历史数据细粒度建模时空关联，并利用特征线性调制（FiLM）增强多源传感器异质性建模能力，在N-CMAPSS数据集上相比基线方法提升19.2%-31.6%。

　　

摘要：

预测剩余使用寿命（RUL）在涉及多种相互关联传感器的工业系统的预测和健康管理中起着至关重要的作用。鉴于这些系统持续产生的时间序列传感器数据，深度学习（DL）模型在识别这些数据中的复杂非线性时间依赖性方面表现出色。除了单个传感器的时间依赖性外，传感器之间的空间依赖性也成为重要的关联因素，这可以通过描述时变空间关系的时间图来自然地建模。然而，大多数现有研究依赖于捕捉这种时间图的离散快照，这种粗粒化的方法会导致时间信息的丢失。此外，鉴于传感器的多样性，利用这种固有的异质性进行时间传感器图中的RUL预测变得至关重要。为了捕捉传感器互连图中的时间和空间关系的细微差别以及异质特性，我们提出了一种名为时间和异质图神经网络（THGNNs）的新模型。具体来说，THGNN通过聚合来自相邻节点的历史数据，以细粒度的方式准确捕捉传感器数据流中的时间动态和空间相关性。此外，该模型利用特征级线性调制（FiLM）来应对不同类型传感器的多样性，显著提高了模型学习数据源中异质性的能力。最后，我们通过全面的实验验证了该方法的有效性。我们的实证研究在N-CMAPSS数据集上取得了显著进展，与最先进的方法相比，在两个不同的评估指标上分别提高了19.2%和31.6%。

引言

预测现代机械的剩余使用寿命（RUL）是机器健康监测的关键方面[1]、[2]、[3]，这对于降低维护成本、防止意外故障和提高系统可靠性至关重要。深度学习（DL）技术已成为RUL预测领域的最新技术[4]，因为它们能够从复杂数据中提取强大的特征，从而建立了新的性能标准。这些方法主要使用时间编码器，如卷积神经网络（CNNs）[3]、[5]、[6]和长短期记忆（LSTM）网络[7]、[8]、[9]、[10]，这些网络擅长检测时间序列数据中的时间模式，这是准确预测RUL的关键因素。通常，RUL预测依赖于从各种传感器收集的多变量时间序列（MTS）数据。这些传感器监测机器的不同方面，如温度、压力和风扇速度。传感器测量结果揭示了由传感器空间布局引起的显著交互动态。例如，风扇速度的增加通常与周围温度的升高相关联，这突显了这些传感器测量结果之间的复杂相互关系或依赖性。识别这些相互依赖性[11]对于提高RUL预测的准确性至关重要。