多任务图神经网络

诊断精度提升近6%

融合数字孪生数据与知识，构建异构故障表征，实现机电系统耦合故障的完整诊断。

陶来发 · Kaixin, Jin · Li, Shangyu · Lian, Zhixuan · Su, Xuanyuan

Advanced Engineering Informatics 2026

参数信息

诊断精度提升

5.94 %

技术优势

数据知识双驱动

通过分层协同建模构建全系统数字孪生，生成DT数据和DT知识两种模态信息，丰富了数据集的类型和规模。

诊断全面准确

从数据和知识两个维度开发集成图神经网络，构建可学习的异构图表征，能处理非线性和多样故障表现，实现完整准确的故障诊断。

精度提升近6%

相比现有主流方法，故障诊断精度平均提高了5.94%，稳定性平均提高了22.32%。

可应对复合故障

采用双层梯度多任务学习算法训练集成图神经网络，提升了模型处理复合故障模式的能力。

应用场景

• 机器人故障诊断：用数字孪生增强诊断，提升机器人故障识别精度，减少非计划停机。
• 机电系统健康管理：提供耦合故障下的完整诊断，支撑机电系统预测性维护决策。
• 数字孪生增强诊断：融合DT数据与知识，增强诊断模型对复杂故障的表征能力。