多期傅里叶图神经网络新框架，无需专家知识，RUL预测精度鲁棒性双提升！
Multi-Term Fourier Graph Neural Network with Sample Relationship Learning for Enhanced Remaining Useful Life Prediction
📖 AI 总结
本文提出一种名为MTFGN-SRL的新型剩余使用寿命（RUL）预测框架，旨在解决现有时空图神经网络的三项局限：依赖领域知识或大量算力预先构建图结构、受限于固定回看窗口而忽略时间序列长度差异、以及未能捕捉相邻时间窗口样本间的内在关联。该框架将样本视为单一完整图，利用傅里叶图神经网络在频域中提取时空信息，并通过多术语学习模块以多个回看窗口生成不同术语的样本，同时训练异构图神经网络构建样本关系学习模块以识别样本间关系。在CMAPSS数据集上的评估表明，该方法在RUL预测上优于现有最先进方法，提升了预测的准确性与鲁棒性。
🔑 关键词速览
| Remaining Useful Life (RUL) | 剩余使用寿命，指设备或系统从当前时刻到失效前还能正常运行的时间长度。 |
| Spatio-Temporal Graph Neural Network (ST-GNN) | 时空图神经网络，一种能够同时建模时间序列数据中时间依赖和空间关系的图神经网络。 |
| Fourier Graph Neural Network (FGN) | 傅里叶图神经网络，在频域中对图数据进行卷积操作的图神经网络，用于捕获时空信息。 |
| Multi-Term Learning | 多期学习，一种利用多个不同长度的回溯窗口生成样本以增强信息提取的学习策略。 |
| Sample Relationship Learning | 样本关系学习，通过训练异构图神经网络来识别样本间内在关系，以提高预测准确性和鲁棒性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅