Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction

在涉及各种相互关联的传感器的工业系统的预测和健康管理中，预测剩余寿命（RUL）起着至关重要的作用。针对这些系统的时间序列传感器数据的不断流动，深度学习模型已经成为识别这些数据中复杂的、非线性的时间依赖关系的重要工具。除了单个传感器的时间依赖性外，空间依赖性也表现为这些传感器之间的重要相关性，可以通过描述时间变化的空间关系的时间图自然地建模。然而，大多数现有研究都依赖于捕捉这个时间图的离散快照，这是一种粗略的方法，会导致时间信息的丢失。此外，鉴于各种异构传感器的存在，利用这种固有的异质性来预测RUL在时间传感器图中变得至关重要。为了在传感器的互连图中捕捉时间和空间关系以及异构特征的微妙差别，我们引入了一种新型模型，名为时间和异构图神经网络（THGNN）。具体而言，THGNN汇集相邻节点的历史数据，以精细的方式准确捕捉传感器数据流中的时间动态和空间相关性。此外，该模型利用特征线性调制（FiLM）来解决传感器类型的多样性，显著提高了模型学习数据源异质性的能力。最后，我们通过全面的实验验证了我们方法的有效性。我们的实证发现在N-CMAPSS数据集上取得了显著的进展，相对于现有技术方法，两个不同的评估指标分别提高了19.2%和31.6%。

本文旨在解决工业系统中传感器数据的剩余寿命预测问题，尤其是在考虑空间依赖性和异质性的情况下进行预测。

本文提出了一种名为THGNN的模型，利用时空图神经网络来捕捉传感器数据中的时空依赖性和异质性特征，并使用FiLM来处理传感器类型的差异。

本文的实验结果表明，THGNN相比于现有的方法在N-CMAPSS数据集上取得了显著的提升。实验设计详细，数据集和代码开源。

在最近的相关研究中，也有一些利用图神经网络进行传感器数据分析的工作，例如《Graph Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting》和《Predictive Maintenance using IoT and Machine Learning: A Systematic Review of Literature and Research Trends》。