转速效应消除与多项式归一化｜风机轴承早期故障检测与寿命预测新指标

本期关注轴承性能退化预测的新思路：剩余寿命预测（remaining useful life, RUL）一直是智能运维领域的核心研究问题，近年来，图神经网络在建模时序相关性与结构关系方面展现出巨大潜力，但现有方法大多仅能刻画成对相关性，难以捕捉复杂的高阶依赖，同时在全局—局部信息建模上存在不足，限制了预测的可解释性。为破解这一瓶颈，本文提出一种渐进式混合超图注意力网络（progressive hybrid hypergraph attention network, PHHGATN）：该方法通过双分支混合超图结构实现高低阶依赖的联合建模，并融合通道信息以增强特征表达；结合渐进式动态图构建和节点—超边级注意力机制，有效提升了对关键特征的捕捉能力。实验结果表明，该方法不仅在多个全寿命数据集上显著提升了预测精度与可解释性，还在变工况数据集上展现出优异的泛化能力与计算效率，为滚动轴承的健康预测提供了一条全新的解决路径。 论文基本信息论文题目：Progressive hybrid hypergraph attention network with channel information fusion for remaining useful life prediction of rolling bearings论文期刊：Mechanical Systems and Signal Processing论文日期：2025年论文链接:https://doi.org/10.1016/j.ymssp.2025.112987作者：Yuru Zhang (a), Chun Su (a*), Xiaoliang He (a), Jiuqiang Tang (a), Mingjiang Xie (a), Hao Liu (b)机构：a: School of Mechanical Engineering, Southeast University, Nanjing 211189, China; b: Beijing Research Institute of Telemetry, Beijing 100076, China团队带头人简介：苏春老师，现任东南大学机械工程学院教授、博士生导师，长期从事可靠性工程、智慧运维与健康管理、生产系统工程等领域的研究，致力于推动理论创新与工业应用的深度融合。作为项目负责人，苏教授主持国家自然科学基金项目3项、江苏省科技支撑计划项目1项，并牵头完成国防技术基础科研项目及省部级、企业委托课题20余项。在学术成果方面，苏教授已发表SCI收录论文30余篇、EI收录论文90余篇，参编学术专著2部，展现了深厚的学术积累与教育贡献。目前担任中国机械工程学会高级会员，并受邀为多个国际期刊担任审稿专家，在学术界与工业界均具有广泛影响力。（来源: https://me.seu.edu.cn/sc/list.htm）目录1 摘要2 引言3 方法框架3.1 问题表述与初始图定义3.2 剩余寿命预测框架3.3 渐进式混合超图构建3.4 通道信息融合3.5 混合超图注意力卷积3.6 混合超图特征的自适应融合4 实验研究 I：FEMTO-ST与XJTU-SY基准数据集4.1 数据集描述与实验安排4.2 对比方法4.3 实现细节4.4 实验结果与性能分析4.5 消融实验4.6 通道信息探索5 实验研究 II：LDM时变工况数据集5.1 数据集描述与实验安排5.2 数据预处理与实现细节5.3 剩余寿命预测结果与分析6 结论1 摘要近年来，基于图神经网络的滚动轴承剩余寿命（RUL）预测受到了广泛关注。然而，现有方法大多仅能刻画成对相关性，尚未充分考虑复杂的高阶关系，且缺乏对全局与局部信息的联合学习能力。为此，本文提出了一种面向多通道信号的渐进式混合超图注意力网络，用于滚动轴承的剩余寿命预测。该方法将成对图与超图相结合，以同时捕获高阶与低阶依赖关系。首先，网络通过渐进式邻居节点消减构建动态图结构，从而实现全局到局部的时序信息提取。同时，利用混合超图的连通性实现通道信息的融合。随后，引入节点级与超边级注意力机制，以强化重要节点的贡献。最后，通过自适应融合模块将高阶与低阶特征有效结合。基于两个基准数据集以及一个工况随时间变化的滚动轴承数据集的实验结果表明，所提方法在有效性、泛化性和计算效率方面均具有良好表现。此外，还进一步探讨了通道信息差异对预测结果的影响，验证了所提融合策略的显著有效性。关键词：滚动轴承，剩余使用寿命预测，图神经网络，混合超图，通道信息融合2 引言滚动轴承的健康预测与状态管理（PHM）在保障工业生产和制造连续性中具有重要作用。其中，健康预测通过分析运行过程中的监测数据来估计剩余可用寿命（RUL）。准确的 RUL 预测能够为维护决策提供关键指导，从而降低停机时间并节约维护成本。随着大量监测数据的积累，基于数据驱动的 RUL 预测成为研究热点。深度学习在 RUL 预测领域得到了广泛研究和应用。深度神经网络强大的表示能力与泛化能力进一步推动了 RUL 预测精度和鲁棒性的提升。与上述矩阵、向量或图像等规则结构的输入数据不同，图结构数据作为一种非欧几里得数据，可以显式表示空间相关性，从而克服传统数据结构的局限。基于图结构，图神经网络（GNN）被提出用于处理和表征图结构数据。研究表明，监测信号中存在空间相关性，例如时间节点的邻接性、样本相似性及节点相关性，这些隐藏信息对时间序列建模具有巨大潜力。在成对图的基础上，节点间关系被扩展至多节点关系，从而发展出超图结构。超图是一种特殊的图模型，可通过超边同时连接多个节点。受此启发，超图神经网络（HGNN）被提出以学习非成对节点间的高阶相关性。然而，虽然超图结构可表示复杂节点相关性，但部分基础低阶相关性仍被忽略。未能捕获监测信号中的低阶相关性可能导致时间依赖学习不足，从而影响 RUL 预测精度。基于图学习的 RUL 预测已取得丰富成果，但仍存在若干局限：（1）振动信号通常来源于多通道，信息存在差异和冗余，如何充分融合多通道信息是挑战；（2）现有研究大多仅通过图捕获单一成对依赖，或仅利用超图表示复杂关系，缺乏显式捕获高低阶关系的方法；（3）已有研究表明，捕获全局与局部信息有助于提高 RUL 预测精度，但传统图结构固定，难以同时捕获全局与局部时间信息；（4）不同时间节点特征各异，对 RUL 预测的重要性不同，传统图仅用边或超边连接节点，无法强调节点间的差异化贡献。为弥补上述研究空白，本文提出渐进式混合超图注意力网络（PHHGATN），用于多通道信号下滚动轴承 RUL 预测，其中成对图与超图同时用于捕获低阶与高阶相关性。首先，构建渐进式混合超图以从全局到局部提取时间依赖；同时，通过通道信息融合策略整合不同通道的差异信息；随后，引入节点注意力和超边注意力机制，增强模型对关键特征的关注；最终，将提取的高阶特征输入高低阶特征融合模块，实现进一步融合表示。本文的主要贡献如下：考虑高阶与低阶相关性同时存在，构建混合超图结构以建模时间节点信息，其中设计了成对图与超图的双分支架构，并提出自适应融合模块以融合高低阶特征。提出渐进式混合超图构建方法，以提取时间节点间的局部到全局信息，同时利用融合策略整合不同通道的变异与冗余信息。提出新型混合超图注意力网络以增强模型适应性，在混合超图中对重要节点特征和超边特征进行选择性关注，自适应学习振动信号中的退化特征信息3 方法框架3.1 问题表述与初始图定义 采集 通道的全寿命滚动轴承振动信号 ，其中每个通道包含 个采样点。通过滑动窗口方法对信号进行切分，窗口长度为 ，滑动步长为 1，得到 个时间窗口样本。对应于每个窗口 （ ）的多通道时域信号片段记作 ，表示为： 其中， 为窗口 中第 个时间步（ ）的振动幅值。对于窗口 中的每个时间步 ，对所有 个通道的信号执行快速傅里叶变换，以提取频域特征作为节点特征： 其中， 为单通道频域特征的维度， 表示时间步 的节点特征。基于第 个窗口的节点特征 ，构建初始时间图 。节点集 包含 个节点，每个节点 对应窗口内的第 个时间步，其特征记为 ；边集 定义节点之间的连接关系，可通过连接矩阵 实例化；每个节点 对应一个 RUL 标签 ，形成标签序列 。研究目标是构建可学习函数 ，其作用是将多通道节点特征矩阵 映射为剩余寿命序列 ，以实现多通道的序列到序列 RUL 预测。在训练过程中，通过最小化多通道预测误差来更新和优化参数： 其中， 表示损失函数。本研究采用均方误差（MSE）损失函数，并使用 Adam 优化器进行训练。在完成训练后，时刻 的在线振动数据通过上述滑动时间窗与FFT处理，得到 ，随后将其输入已训练模型以预测当前剩余使用寿命（RUL）： 。3.2 剩余寿命预测框架本研究提出了一种用于RUL预测的渐进式混合超图注意力网络（PHHGATN）。在PHHGATN 中，设计了三种混合超图的构建策略，即：渐进式结构、通道信息融合以及节点—超边注意力。所提出方法的整体框架如图 1 所示。首先，基于滑动时间窗和 FFT 处理后的多通道振动数据节点特征，构建初始混合超图结构。随后，将图结构化数据输入 PHHGATN 模型，该模型包含三个卷积层，并在读出层后引入分层残差连接，随后连接自适应融合模块以及多层感知机网络。其中，堆叠卷积层用于高低阶特征提取；其输出特征经由自适应融合模块（adaptive fusion module, AFM）实现特征融合与去冗余，最终由 MLP 网络完成 RUL 回归。 图 1 所提出的 RUL 预测框架 3.3 渐进式混合超图构建 本研究利用图数据来刻画轴承性能的时序退化信息，该信息表现出明显的时序依赖性。此外，CNN通常通过逐层减小卷积核的大小来模拟全局与局部感受野，从而捕捉时序数据中的全局与局部依赖关系。基于此，本文提出了一种渐进式图构建方法，用于逐步学习全局到局部的信息。 在第一层中，构建全连接图以突出全局信息，并提取时序数据之间的全局依赖性。随后，从第二层开始，基于 -近邻算法构建基于 top- 池化的图结构，以捕捉邻居节点的局部依赖性。各层的图作为一种动态变化的结构输入，从而适应时序数据的循环特征。在此基础上，渐进式混合超图由所提出的渐进式图构建方法生成，包含渐进式图和渐进式超图两部分，如图2所示。 图 2 渐进式混合超图示意图 在渐进式图中，随着层数的增加，图结构逐渐发生变化。一般而言，图数据 由节点特征与邻接矩阵 表征。因此，在第 层时，渐进式图结构 可表示为： 其中， 表示时间节点特征，KNN 返回距离中心节点 最近的 个节点。 ，并且 随着层数 的增加逐渐减小。渐进图结构意味着从全局到局部视角逐步捕捉时间节点的低阶相关性。此外，超图数据由节点特征、超边及关联矩阵来表征。渐进超图结构在多层中的演化过程与渐进图结构相似。随着层数 的增加，渐进超图结构可表示为： 。3.4 通道信息融合 为消除通道间差异并提取一致性信息，本文提出了一种基于混合超图构建的通道信息融合策略。具体而言，构建了通道信息融合图（channel information fusion graph, CIFG）和通道信息融合超图（channel information fusion hypergraph, CIFHG），其节点连通性如下：（1）CIFG 构建通道空间，在该空间中计算时间节点之间的距离；（2）CIFHG 通过将各通道数据定义的超图关联矩阵进行拼接而构建。对应的多通道信息融合混合超图构建流程如图 3 所示。 图 3 基于混合超图构建的通道信息融合示意图 由于节点特征在由多通道数据决定的图中进行聚合与传播，本文提出利用节点特征计算节点间的空间距离以构建 CIFG。即在成对图构建过程中，不同通道的耦合信息 在通道空间 中进行融合。以通道特征作为坐标值，时间节点间的距离可定义为： 其中，距离度量 用于 KNN 中确定邻近节点。不同于传统图中成对节点结构，超图结构能够通过拼接关联矩阵实现多尺度信息融合。这意味着多通道图中的超边可以与同一位置的节点连接。因此，对于多通道数据 ，其中 为第 个通道的数据，可以直接通过拼接各通道超图的关联矩阵来生成超图结构，从而实现多通道信息融合。在第 层超图卷积层中，对于每个通道数据 ，可基于 KNN 生成单通道超图的关联矩阵 。多通道数据融合超图的关联矩阵 可表示为： 其中 ；Concat 表示拼接操作。3.5 混合超图注意力卷积 本研究通过在混合超图卷积中引入注意力机制，强调邻近节点之间的相关信息。混合超图卷积中的注意力机制包括图注意力和超图注意力，如图 4 所示。 图 4 混合超图注意力卷积示意图3.5.1 图注意力卷积 低阶成对相关性包含特殊信息，需要强调邻近节点的不同贡献，这对于渐进图的全连接边第一层尤为重要。引入注意力机制后，不同节点对目标节点的贡献不再均等，从而进一步提取节点中嵌入的成对相关性，以充分学习和表示时序节点信息。对于成对节点特征 ，图注意力卷积（GACov）的计算过程为： 其中， 表示节点 对 的注意力系数； 为可学习参数； 为用于节点特征映射的可学习权重矩阵；LeakyReLU 是带泄漏的线性整流单元激活函数； 为线性整流单元（ReLU）激活函数； 表示节点 的邻居节点集 合。3.5.2 超图注意力卷积在渐进式超图的全连接层中，引入注意力机制为不同的超边分配不同的权重，从而使聚合节点对中心节点的贡献各不相同。通过基于节点特征自适应地加权每个节点所连接的超边，可以学习各节点对中心节点样本的贡献差异。对于节点 及其连接的超边 ，使用节点特征 以及从连接节点聚合的超边特征 来计算注意力分数： 其中，超边特征 是从其连接节点的特征聚合而来，即节点注意力卷积操作，可表示为： 其中， 表示由超边 连接的节点集 合； 为超边连接节点间的注意力权重，在得到超边注意力分数后，超边注意力可表示为： 其中， 表示与节点 相关联的超边集 合。与成对图节点的注意力不同，超图的节点与超边注意力不具备互为等价关系。当某条超边对其连接的各节点具有不同相关性时，节点注意力可以表示为： 其中， 表示节点注意力分数， 。超图注意力卷积包含两个过程：超边注意力与节点注意力，其关联矩阵分别为 和 。超图注意力卷积（HGACov）的计算过程可表示为： 其中， 表示节点注意力，用于将节点特征聚合到超边上，并有选择地关注节点对超边的重要性； 表示超边注意力，用于将聚合在每个超边上的特征传递到节点，并有选择地强调各超边的不同作用。3.6 混合超图特征的自适应融合在配对图与超图中提取的高阶特征与低阶特征之间存在空间和特征相关性。此外，混合超图中可能存在冗余边，需要进行冗余边剔除。基于此，本文设计了高低阶特征自适应融合模块，用于自适应地为高阶特征与低阶特征加权，以获取高层次特征表示。在注意力机制的作用下，时间节点的高阶特征 与低阶特征 之间的融合权重 被计算如下： 用于映射回归的最终特征表示为： 剩余寿命 可通过以下方式获得： 4 实验研究 I：FEMTO-ST与XJTU-SY基准数据集4.1 数据集描述与实验安排为了验证所提方法的有效性，本研究采用 FEMTO-ST 与XJTU-SY 轴承数据集。两套数据集的实验平台如图 5 所示。 图 5 轴承全寿命测试实验平台:（a）PRONOSTIA；（b）XJTU-SY数据集介绍如下：(1) FEMTO-ST 数据集:该数据集由法国FEMTO-ST 研究所的 PRONOSTIA 实验平台采集，记录了轴承在三种工况下加速退化的全寿命数据。采样频率为 25.6 kHz，每次采样记录2560 个点，采样间隔为 10 s。该数据集安排了 6 个实验任务，实验使用的轴承记为 FB。其中，轴承 1-1 和1-2 用于训练数据；轴承 1-3、1-4、1-6和 1-7 用于测试。此外，还设置了两个跨工况任务（测试轴承 2-6 和3-3）以评估方法的跨工况泛化能力。 (2) XJTU-SY 数据集:该数据集来自西安交通大学的加速寿命台架实验，共采集了 15 个轴承在三种不同工况下的振动数据，涵盖不同转速与负载，并记录了轴承故障类型信息。采样频率为 25.6 kHz，每次采样在一分钟内完成。该数据集安排了 6 个同工况的预测任务，实验使用的轴承记为 XB。每个工况下，前两个轴承用于训练，第三和第五个轴承用于测试。 4.2 对比方法 为评估所提方法的有效性及潜在优势，本研究选取两种基线方法和六种先进方法进行对比。所有对比方法均采用双通道信号作为输入。 (1) CNN：将双通道信息级联作为输入，以时间节点作为初始通道，采用一维卷积核在子样本时间维度进行特征提取。(2) GCN：将双通道信息级联作为输入，利用 KNN 构建邻接矩阵，其中K=3。以子样本作为节点构建时间图，同样作为基线方法。 (3) DAMCNN：多尺度卷积神经网络，以双通道信息为输入，分别通过时间注意力和空间注意力关注时序和多传感器信息。(4) BiGRU-TSAM：具有时序自注意力机制的双向 GRU 网络。采用双通道级联信息作为输入。 (5) TATFA-Transformer：趋势增强时序特征注意力 Transformer 模型。采用双通道信息级联作为输入，通过 Transformer 编码器进行时空特征提取。(6)CDEN：复数域扩展网络（Complex domain expansion network）。该网络为双通道融合网络，将实域卷积扩展至复域卷积，利用双通道信息的实部与虚部特征矩阵作为输入。 (7) GDAGDL：动态时空图网络，结合数据增强。基于时频图输入构建时空图，并通过图注意力网络提取特征。(8)SAGCN：自适应图卷积网络。输入为双通道信息的子样本时频域特征级联，通过图卷积网络和自注意力机制提取时间节点相关性。4.3 结果与性能分析4.3.1 实验结果 图 6 展示了使用本文方法以及基线方法 1 和基线方法 2 的平均RUL 预测结果。观察表明，本文方法预测的 RUL 曲线随时间下降，并在几乎所有任务中围绕实际 RUL 曲线波动。这说明该方法能够有效刻画轴承的实时退化趋势，从而验证了方法的有效性。 图 6 所有任务的轴承剩余寿命预测结果 进一步对比分析可见，本文方法预测的 RUL 曲线明显更接近实际曲线，在单调性、趋势和预测曲线的鲁棒性方面均有提升。定量的实时预测误差显示，预测的 RUL 值接近真实值，随时间的退化趋势也更符合实际变化。这些现象验证了本文方法的有效性及预测结果的合理性。在小样本训练条件下，本文方法在跨工况任务（任务F5 和 F6）中的预测曲线仍表现出较好性能，表明方法具有一定的泛化能力。对比显示，本文方法在整体性能上有显著提升，平均 Score 相比两种基线方法分别提高了 40.13% 和 38.29%，进一步验证了方法的有效性和优越性。 4.3.2 特征可视化 为了更深入地展示本文方法的有效性和优势，对提取的特征采用 TSNE 降维并在图 7 中可视化。观察显示，本文方法提取的特征轨迹更加清晰且突出，体现了模型在特征提取和聚合方面的能力。 图 7 特征可视化此外，提取的特征沿 RUL 从1 到 0 的轨迹分布较为一致，表明方法能够较好地刻画滚动轴承的非线性退化趋势。相比之下，CNN 和 GCN 提取的退化特征分散且不规则，不利于全连接回归器的映射回归。总体来看，本文方法在特征提取上具有明显优势，这也解释了其在 RUL 预测中的优异表现。 4.3.3 对比实验 为了验证所提 PHHGATN 的优越性，本文在相同任务下与先进方法进行对比，包括两种改进的 CNN 方法（DAMCNN和 CDEN）、注意力增强型 RNN 方法（BiGRU-TSAM）、Transformer变体（TATFA-Transformer）以及两种GNN 变体（GDAGDL 和SAGCN），平均预测结果列于表 1。表 1 与最先进方法的比较结果 如表所示，本文方法在 MAE、RMSE和 Score 指标上均优于其他先进方法，最大提升分别为 23.69%、7.21%和 3.61%。本文方法在建模时间依赖性时同时关注高低阶特征及全局—局部特征，具备全面的特征提取能力。面对冗余且复杂的双通道信息，本文方法相比 SOTA 方法具有更强的信息融合能力。此外，GDAGDL 表现优异，体现了 GNN 在建模与特征融合方面的强大能力。CDEN 强调对实域与复域信息的注意力，从而在 Score 指标上获得更高分数，并在 RMSE 上取得较低值。 4.4 消融实验 为分析各模块与策略的作用，在 PHHGATN 的主要组件上进行消融实验，得到以下变体： 1、去除成对图（w/o PWG）：不使用成对图捕获低阶相关性。2、去除超图（w/o HG）：不使用超图结构学习时间节点的高阶关系。3、去除渐进图（w/o PG）：各层输入图为固定图结构，不随层数逐渐演化。4、去除通道信息融合策略（w/o CIF）：双通道信息仅通过简单拼接输入网络。5、去除注意力机制（w/o AM）：去掉图和超图的注意力机制，连接边的软权重退化为硬组合 [0,1]。 消融结果如图 8 所示。结果表明，各单独组件去除后性能下降，验证了各组件的有效性。其中，成对图和注意力机制对模型影响相对较小，而超图和通道信息融合策略影响显著。缺失通道信息融合策略时性能最差，强调了融合策略的重要作用。双通道信息差异显著，需更有效的融合与去冗余方法。超图模块与渐进图策略分别通过捕获高低阶相关性和全局—局部相关性，有效提升预测性能。 图 8 消融实验结果：（a）MAE;（b）RMSE;（c）Score4.5 通道信息探索 本研究在任务 F1 和任务 F2 上使用所提出的方法进行了多通道信息探索实验。具体而言，分别使用单通道水平振动信号（即通道 1）、单通道垂直振动信号（即通道 2）以及双通道振动信号进行 RUL 预测。测试轴承1-3 和 1-4 的 RUL 预测结果如图 9 所示，双通道原始振动信号在右侧相应可视化展示。 图 9 通道信号与预测 RUL 结果对应关系 观察图 (a) 和(d) 可知，使用双通道振动信号的 RUL 预测结果优于使用单通道信号的结果。在轴承 1-3 中，使用通道1 的振动信号进行预测的效果优于通道 2；而在轴承1-4 中，使用通道 2 的振动信号效果优于通道 1。这些现象表明，所提出的方法在信息融合方面有效，并展示了多通道信息对于单通道信息互补的优势。进一步分析图 (b)、(c)、(e)和 (f) 的原始输入信号可知，测试轴承 RUL 退化曲线的异常变化点基本对应其振动信号的异常点。在稳定退化阶段，轴承 1-3 的双通道振动信号基本一致，相应地，通道 1 与通道2 的 RUL 预测曲线呈现相似的退化轨迹。在快速退化阶段，随着振动信号幅值迅速增大，预测的 RUL 曲线呈现快速下降和明显波动。此外，由于两个通道信息趋势变化存在差异，两通道预测曲线不再一致，且通道 2 异常幅值信号的预测误差显著增加。总体而言，在两个阶段中，所提出的方法能够有效处理信息变异，实现通道信息的自适应融合。为了更直观地解释通道信息的交互作用及所提策略的融合效果，图 10 展示了轴承1-3 和 1-4 的单通道及双通道提取特征。需要注意的是，图 (a) 与(c) 中的通道 1 与通道 2 特征分别通过所提出的特征变换器从单通道水平和垂直振动信号中提取，用于识别其在同一特征空间内的相似性或差异性。此外，双通道信号通过所提出的混合超图构建策略进行融合后，再输入特征变换器提取双通道特征，如图 (b) 和(d) 所示。 图 10 通道特征可视化 主要可以总结为：（1） 与单通道特征相比，双通道特征呈现出更明显的退化趋势，这说明了所提方法的信息融合能力。 （2）不同通道间既存在信息一致性，也存在信息差异。通道 1 与通道2 的特征描绘了不同的全寿命轨迹，而部分特征存在散点、重叠及相似性。 （3）几乎所有通道特征均呈现出对应于稳定退化阶段和快速退化阶段的双阶段退化趋势，而双通道特征更加显著。5 实验研究 II：LDM 时变工况数据集5.1 数据集描述与实验安排LDM 轴承数据集由帕德伯恩大学动力学与机电一体化系（LDM）实验室采集。试验台如图 11 所示，采用加速寿命测试对滚动轴承在时变工况下进行全寿命测试，共采集 17 个轴承单元的振动和温度数据。前九个测试轴承的振动信号采样频率为 128 kHz，其余轴承为 64 kHz，采样间隔约 12 s，采样时长 1.6 s。此外，输入信号与振动和温度数据同时采集，用作状态监测信息。在测试过程中，试验轴承承受叠加在静态预紧力上的动态载荷，振动数据通过三个单向加速度计间接采集。图 11 LDM 轴承寿命试验台 在 LDM 数据集上安排了三组RUL 预测实验，分别命名为 Task L1、Task L2 和 Task L3。三个任务均使用B02 与 B04 作为训练轴承，测试轴承分别为 B06、B08和 B10 的单个轴承单元。 5.2 数据预处理与实现细节 在 LDM 数据集中，部分轴承的全寿命运行周期极长，数据量巨大，会显著增加资源占用和计算时间。为此，将全寿命样本通过 K-means 聚类分析划分为健康状态和退化状态，并仅关注退化阶段的 RUL 预测。轴承 B04 的原始振动数据及分割阶段如图 12 所示，同时可视化了对应的工况记录。图 12 轴承 B04 的振动信号与工况此外，由于采样频率较高且采样时长极长，每个样本包含大量数据点。因此，对每个通道提取 40 个时域、频域和累积特征，从双通道数据中共获得 80 个特征。通过该方法，可降低原始数据维度以提高计算效率。同时，数据与标签归一化至 [0, 1] 范围。此外，PHHGATN在 LDM 数据集上的结构与超参数设置与 FEMTO-ST 轴承数据集保持一致，仅输入维度有所不同。 5.3 RUL 预测结果与分析 为进行对比研究，采用 CNN、GCN、SAGCN、TATFA-Transformer、BiGRU-TSAM进行预测实验，并对结构进行了适当改进与参数微调。需要说明的是，所有对比方法均采用与 PHHGATN 相同的预处理方法，以确保输入维度一致，从而公平比较模型复杂度和计算时间。此外，利用模型参数数量（NPs）和浮点运算量（FLOPs）进行模型复杂度分析，其中 FLOPs 计算基于批量样本在模型中的前向传播。RUL 预测曲线如图 13 所示，从图13 可以看出，PHHGATN 预测的RUL 曲线随实际 RUL 曲线波动并呈下降趋势，证明了该方法的有效性。与传统 CNN 和GNN 相比，PHHGATN 的RUL 预测性能显著提升。图 13 LDM 轴承的 RUL 预测结果 图 14 展示了轴承 B06 提取的高阶特征、低阶特征及融合特征。可以看出，PHHGATN 上分支提取的低阶特征与下分支提取的高阶特征分别呈现分散分布，说明监测信号中高低阶关系共存。此外，高阶与低阶特征均呈现明显的退化趋势。通过自适应融合，高低阶特征能够有效表征轴承退化过程，从而实现较为精准的 RUL 预测。图 14 轴承 B06 的特征可视化:（a）低阶特征（左侧色标）与高阶特征（右侧色标）;（b）融合特征 6 结论本文提出了一种用于滚动轴承剩余寿命预测的渐进式混合超图注意力网络（PHHGATN）。该方法通过双分支混合超图结构，同时建模高阶与低阶相关性，并实现自适应特征融合。在网络设计上，采用渐进式结构构建与通道信息融合策略，以突出关键节点与超边的重要性。基于两个全寿命数据集的系统性实验表明，该方法能够有效提升预测精度，并具备一定的可解释性；在变工况数据集上的案例研究进一步验证了其良好的泛化能力与计算效率。此外，本文还探讨了基于双通道信息的健康预测特性，结果显示该融合策略不仅有效增强了预测结果的因果性，也展现了双通道信息在设备健康预测中的应用潜力。编辑：Jin校核：李正平、陈凯歌、赵栓栓、曹希铭、赵学功、白亮、任超、海洋、Tina、陈宇航、陈莹洁、肖鑫鑫、赵诚该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习