图域自适应网络

少样本寿命预测

通过数字孪生与图域自适应，即使在实测数据不足时也能准确预测轴承剩余寿命。

崔玲丽 · Yongchang, Xiao · Liu, Dongdong · 韩红桂

Reliability Engineering and System Safety 2024

技术优势

实测数据少也能用

数字孪生模型生成大量全寿命振动数据，补充实测数据缺口，使模型在真实数据有限时仍能学习退化规律。

图域差异可被度量

图拉普拉斯正则化最大均值差异（GLMMD）专门用于图结构数据，训练时能更好地区分源域与目标域，提升跨域适应能力。

跨域图网络更有效

多层跨域门控图卷积网络提取空间与时序特征，相较传统域自适应方法更适配轴承退化数据的非欧特性。

应用场景

• 旋转机械故障诊断：在轴承全寿命数据不足时给出可靠寿命预测，辅助诊断退化状态。
• 工业设备预测性维护：可在少量实测数据下训练模型，帮助企业提前安排维护，避免非计划停机。
• 设备健康管理：结合数字孪生与图域自适应，在数据稀缺条件下监测设备健康趋势。