Hierarchical attention graph convolutional network to fuse multi-sensor signals for remaining useful life prediction

计算机科学 联营 预言 保险丝(电气) 图形 数据挖掘 代表(政治) 人工智能 深度学习 传感器融合 无线传感器网络 模式识别(心理学) 理论计算机科学 工程类 电气工程 政治 计算机网络 法学 政治学
作者
Tianfu Li,Zhibin Zhao,Chuang Sun,Ruqiang Yan,Xuefeng Chen
出处
期刊:Reliability Engineering & System Safety [Elsevier]
卷期号:215: 107878-107878 被引量:124
标识
DOI:10.1016/j.ress.2021.107878
摘要

Deep learning-based prognostic methods have achieved great success in remaining useful life (RUL) prediction, since degradation information of machine can be adequately mined by deep learning techniques. However, these methods suffer from following weaknesses, that is, 1) interactions among multiple sensors are not explicitly considered; 2) they are more inclined to model temporal dependencies while ignoring spatial dependencies of sensors. To address those weaknesses, the multiple sensors are constructed to a sensor network and hierarchical attention graph convolutional network (HAGCN) is proposed in this paper for modeling the sensor network. In HAGCN, the hierarchical graph representation layer is proposed for modeling spatial dependencies of sensors and bi-directional long short-term memory network is used for modeling temporal dependencies of sensor measurements. Moreover, a regularized self-attention graph pooling is designed in HAGCN to achieve effective information fusion of the sensors. To realize prognostics, the spatial-temporal graphs are firstly generated based on the sensor network. Then, HAGCN is applied to model the spatial and temporal dependencies of the graphs simultaneously. The experimental results of two case studies show the superiority of HAGCN over state-of-the-art methods for RUL prediction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
鹏程发布了新的文献求助10
1秒前
顾矜应助科研通管家采纳,获得10
1秒前
1秒前
共享精神应助科研通管家采纳,获得10
1秒前
大壮应助科研通管家采纳,获得10
1秒前
啊aa发布了新的文献求助20
1秒前
Orange应助科研通管家采纳,获得20
1秒前
Orange应助科研通管家采纳,获得10
2秒前
研友_VZG7GZ应助科研通管家采纳,获得10
2秒前
我是老大应助科研通管家采纳,获得20
2秒前
爆米花应助科研通管家采纳,获得10
2秒前
研友_VZG7GZ应助科研通管家采纳,获得10
2秒前
隐形曼青应助科研通管家采纳,获得10
2秒前
华仔应助科研通管家采纳,获得10
2秒前
深情安青应助科研通管家采纳,获得10
2秒前
充电宝应助科研通管家采纳,获得10
2秒前
2秒前
Ava应助科研通管家采纳,获得10
2秒前
2秒前
3秒前
大模型应助科研通管家采纳,获得10
3秒前
杳鸢应助希卡利的肋骨采纳,获得200
3秒前
3秒前
3秒前
3秒前
文艺的筮应助科研通管家采纳,获得10
3秒前
专一的映容完成签到,获得积分20
3秒前
杳鸢应助Tansy2023采纳,获得20
3秒前
3秒前
222完成签到,获得积分10
3秒前
李健的小迷弟应助long采纳,获得10
4秒前
123发布了新的文献求助10
4秒前
烟花应助张铭杰采纳,获得10
4秒前
江河JT完成签到 ,获得积分10
5秒前
qiong253完成签到,获得积分10
6秒前
6秒前
赘婿应助nini采纳,获得10
7秒前
7秒前
Acetonitrile应助核桃酥采纳,获得30
7秒前
sss完成签到 ,获得积分10
7秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Fundamentals of Dispersed Multiphase Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3254632
求助须知:如何正确求助?哪些是违规求助? 2896806
关于积分的说明 8294490
捐赠科研通 2565750
什么是DOI,文献DOI怎么找? 1393327
科研通“疑难数据库(出版商)”最低求助积分说明 652471
邀请新用户注册赠送积分活动 630040