机床与液压

作者：邓立伟，刘继新，邓兴超，曹月，刘美，宋执环

单位：吉林化工大学信息与控制工程学院；广东石油化工学院自动化学院；吉林化工大学信息与控制工程学院；广东石油化工学院自动化学院；吉林化工大学信息与控制工程学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院

关键词：剩余使用寿命;动态图卷积;门控循环单元;多头注意力;图注意力网络

基金：国家自然科学基金项目（62473103；62073091）；广东省基础与应用基础研究基金项目（2023B1515120097）；广东省科技创新战略专项项目（2023S003042）；茂名市科技计划项目（2021002；2024012）

目前，通过相似度和先验知识等方法构建的图关系通常是静态的，无法有效捕获随时间变化的动态信息，而且多数方法仅考虑局部信息，忽略了长时间的特征提取。为提升机械设备剩余使用寿命（RUL）预测精度，提出一种局部-全局动态图神经网络（LGDGNN），由门控循环单元（GRU）和动态图卷积（DGC）组成局部通道，由多头注意力和图注意力网络（GAT）组成全局通道，自适应学习序列的时间特征和传感器间的空间特征，克服单一模型的局限性。设计动态图生成方法，基于节点嵌入和时间位置编码动态构建邻接矩阵，增强对传感器动态关系的学习能力。在CMAPSS数据集上进行验证，将LGDGNN算法与12种算法的预测性能进行对比，采用均方差误差RMSE和评分函数Score评估模型性能。结果表明：LGDGNN模型的预测值在实际RUL附近波动；在FD001和FD003上，LGDGNN的RMSE和Score与最佳模型相近；在较复杂的数据子集FD002与FD004上，和最佳模型相比，其RMSE分别降低了3.6%和5.2%，Score分别降低了4.7%和17.8%，验证了该方法的有效性。

来源：2025年第18期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第18期