Virtual Sensor for Real-Time Bearing Load Prediction Using Heterogeneous Temporal Graph Neural Networks

准确的轴承负载监测对于其预测性维护（PHM）至关重要，这可以实现损伤评估、磨损预测和主动维护。虽然轴承传感器通常放置在轴承座上，但直接负载监测需要传感器放置在轴承内部。最近推出的传感器滚轮可以实现直接轴承负载监测，但受到其电池寿命的限制。数据驱动的虚拟传感器可以从传感器滚轮在电池寿命期间收集的数据中学习，将操作条件映射到轴承负载。虽然空间分布的轴承传感器可以提供负载分布的见解（例如，将温度与负载相关），但传统的机器学习算法往往难以充分利用这些空间-时间依赖关系。为了解决这个问题，我们引入了一种基于图的虚拟传感器，利用图神经网络（GNN）分析传感器信号之间的空间-时间依赖关系，将现有的测量值（温度、振动）映射到轴承负载。由于温度和振动信号展现出截然不同的动态特性，我们提出了异构时间图神经网络（HTGNN），明确地模拟这些信号类型及其相互作用，以实现有效的负载预测。我们的结果表明，HTGNN优于卷积神经网络（CNN），后者难以捕捉空间和异构信号特征。这些发现凸显了捕捉温度、振动和负载之间复杂的空间相互作用的重要性。

如何利用虚拟传感器实现轴承负载监测？

使用基于图的异构时间图神经网络（HTGNN）来分析轴承内部温度、振动等信号的空间和时间依赖关系，将这些信号映射到轴承负载上，从而实现虚拟传感器的负载监测。

论文提出的HTGNN方法在轴承负载监测方面表现出色，优于传统的卷积神经网络。实验使用了传感器滚筒数据集，并开源了代码。

近期相关研究包括：1.使用卷积神经网络进行机器故障诊断；2.利用深度学习进行轴承故障预测；3.基于机器学习的轴承性能评估。