双知识嵌入图卷积网络

小样本仍高精度

把物理关系量化为图结构，气路分析可解释且少数据下仍强泛化。

Chen, Jinwei · Hu, Zhenchao · Yifan, Chen · 张会生

Energy 2026

参数信息

压气机效率退化RMSE改善

15.3 %

流量退化RMSE改善

33.5 %

技术优势

少数据也准

模型在训练数据量减少到30%时仍保持强泛化能力，适合现场数据稀缺的场景。

物理可解释

图结构来自热力学方程的可达性分析，边权重由知识表示学习量化，决策过程可追溯物理关系。

误差分布更窄

与现有模型相比，QK-GCN 在所有对比研究中均获得更低的总体误差和更窄的误差分布，预测更稳定。

应用场景

• 燃气轮机气路故障诊断：提升气路故障诊断精度，尤其适用于现场数据有限、需要可解释性决策的场景。
• 能源系统性能预测：在少数据条件下准确预测性能退化趋势，降低对大量历史数据的依赖。
• 工业设备智能运维：提供可解释的健康评估，指导精准维护并减少非计划停机。
• 物理知识增强的智能诊断模型：量化物理关系融合进图网络，提升数据驱动模型的可解释性与泛化性。