稀疏图融合卷积网络

RUL预测精度更高

相比现有方法，该模型在机械剩余使用寿命预测中提供了显著更高的精度。

崔玲丽 · Qiang, Shen · Yongchang, Xiao · Liu, Dongdong · 王华庆

Reliability Engineering and System Safety 2025

技术优势

图结构自动学习

通过稀疏图结构层和融合图结构层，模型从节点表示中学习并迭代更新图结构，无需人工设定邻接关系。

预测精度显著提高

在两个试验台数据集上，所提方法的RUL预测精度明显优于多种现有方法。

端到端预测

模型直接从原始时间序列构建图结构并输出RUL，无需人工特征工程。

应用场景

• 预测性维护：用更高精度的RUL预测来安排维护时机，避免非计划停机。
• 设备健康管理：提供更可靠的剩余寿命估计，支撑设备全生命周期的健康状态管理。
• 电池寿命预测：方法可推广到电池退化数据，实现更准确的电池寿命预测。