“数字孪生/故障诊断”专题||数字孪生+视觉语言大模型：用于多场景工业故障诊断（上）

本期聚焦多传感器设备剩余寿命预测的关键挑战：在复杂工况下，设备性能退化往往通过多源传感器信号呈现高维、耦合的动态演化模式，而传统图神经网络方法常因共享节点特征导致预测任务与依赖建模间的信息冲突，且缺乏对弱相关节点的有效筛选机制，限制了预测精度与鲁棒性。为此，本文提出了一种基于对比解耦图神经网络与偏差‑扩散性协同节点选择器的新框架。该框架通过节点特征对比解耦模块将特征显式分解为面向寿命预测的全局退化特征和面向关系建模的局部关联特征，并结合任务驱动的对比约束确保信息独立性与任务相关性；进一步设计偏差‑扩散性协同节点选择器，依据特征偏差与信息扩散能力自适应滤除冗余节点，显著提升模型抗干扰能力。在公开数据集与实际风电机组预测任务上的实验表明，该方法在保持高精度的同时具备优异的工程实用性。论文基本信息论文题目：Contrastive decoupling graph neural network with deviation-diffusivity cooperative node selector for equipment remaining useful life prediction 论文期刊：Reliability Engineering and System Safety论文日期：2026年论文链接:https://doi.org/10.1016/j.ress.2025.111923作者：Yi Qin (a†), Linjie Zheng (a†), Jun Luo (a), Junyu Qi (b), Yongfang Mao (c*)机构： a. State Key Laboratory of Mechanical Trans mission for Advanced Equipment, Chongqing University, Chongqing 400044, China;b. Reutlingen Research Institute, Reutlingen 72762, Germany;c. College of Automation, Chongqing University, Chongqing 400044, China通讯作者简介：毛永芳老师，现任重庆大学自动化学院副教授。毛老师长期致力于智能运维与故障预测领域的前沿研究，主要研究方向包括半监督/无监督学习方法、智能故障预测与诊断、运行安全评估与控制等，并在机理与数据融合建模、多模态表征与融合、跨域迁移诊断等方面开展了系统深入的探索。在科研项目方面，她主持了国家自然科学基金面上项目“物理约束下液氢加注系统多模态融合表征模型及迁移诊断方法”等多项国家级课题。相关研究成果已在《IEEE Transactions on Industrial Informatics》、《Mechanical Systems and Signal Processing》等高水平期刊上发表论文。（来源: https://accu.cqu.edu.cn/info/1376/9186.htm）目录1 摘要2 引言3 相关工作3.1 基于RNN的剩余使用寿命预测方法3.2 基于CNN的剩余使用寿命预测方法3.3 基于GNN的剩余使用寿命预测方法4 提出的剩余使用寿命预测方法4.1 图结构构建4.2 节点特征对比解耦模块4.3 图更新机制4.4 偏差-扩散性协同节点选择器4.5 损失函数设计4.6 剩余使用寿命预测流程5 实验结果与验证5.1 评价指标5.2 研究 I：CMAPSS数据集剩余使用寿命预测5.3 研究 II：TWM数据集剩余使用寿命预测5.4 研究 III：风力涡轮机剩余使用寿命预测6 结论1 摘要图神经网络（GNN）已在多源信息融合驱动的RUL预测中得到广泛应用。然而，传统的基于GNN的方法通常使用共享的节点特征同时进行RUL预测与空间依赖关系建模，这可能导致隐性的信息冲突。此外，现有方法缺乏有效机制以识别弱相关节点，使得预测精度易受噪声干扰。为化解潜在的信息冲突，本文提出一种新颖的节点特征对比解耦模块（ Node feature contrastive decoupling module, NFCDM）。该模块采用交叉融合-对比解耦策略，将节点特征显式分解为面向RUL预测的全局退化特征和面向空间依赖关系建模的局部关系特征。进一步设计面向任务的对比解耦约束机制，确保解耦后特征兼具任务相关性与信息独立性。此外，为实现有效的节点筛选，本文提出一种偏差-扩散性协同节点选择器（Deviation-diffusivity cooperative node selector, DDCS）。该选择器能够基于全局退化特征的偏差值及节点的信息扩散能力构建联合评估指标，从而自适应地剔除冗余节点。基于以上两个创新模块，本文构建了融合偏差-扩散性协同节点选择器的对比解耦图神经网络（Contrastive decoupling graph neural network with deviation-diffusivity cooperative node selector, CDGNN-DDCS）用于RUL预测。在多个公开数据集上的对比实验验证了所提方法的优越性。最后，通过对实际风力发电机开展的RUL预测实验，成功验证了该方法的工程实用性。关键词：剩余使用寿命预测；特征解耦；图神经网络；多传感器信息融合2 引言预测与健康管理（Prognostics and Health Management，PHM）是一种通过实时监测机械系统运行状态，实现故障预测、诊断及维护决策的先进技术框架。作为PHM的核心组成部分，剩余使用寿命（Remaining Useful Life，RUL）预测已成为可靠性工程领域的重要研究焦点。RUL预测通过分析多源运行数据，估算系统从当前状态到其失效阈值的剩余时间间隔，从而为优化基于状态的维护策略提供关键决策依据。工业大数据与计算能力的快速发展，使得基于深度学习的方法能够通过自主特征提取和非线性退化建模，在RUL预测领域取得显著进展。其中，利用循环神经网络（Recurrent Neural Network, RNN）、卷积神经网络（Convolutional Neural Network, CNN）和图神经网络（Graph Neural Network, GNN）的RUL预测方法已成为主流研究方向并广受关注。然而，基于RNN和CNN的方法通常将多源监测数据视为独立的时间序列或仅进行简单堆叠，因此无法显式建模传感器网络内部的空间依赖性。在复杂的工业机械系统中，多源监测数据往往表现出异构性和空间分布特征。传感器节点间的拓扑结构等关键空间关联尚未得到充分利用。CNN受限于局部感受野的规则网格结构，而RNN则仅侧重于时间动态性。这些方法难以刻画节点间的空间交互作用，从而限制了RUL预测的精度与泛化性能。将多源传感器监测系统抽象为图结构数据，使得传感器网络内部的拓扑关系得以显式数学表征。其中，节点代表嵌入监测特征的传感器单元，边则定义传感器节点之间的功能连接。作为建模非欧几里得空间数据的强大表征工具，GNN能够自适应地聚合多跳邻域节点的信息并揭示潜在的空间依赖关系。传统的深度学习方法依赖单维度的时间建模，而基于GNN的框架则将传感器网络内部的空间关系与相应的监测特征相融合，从而能够实现更丰富的多维度表征。这种融合显著提升了复杂工况下的RUL预测精度。尽管基于GNN的RUL预测取得了一定进展，但仍存在若干关键局限。首先，大多数现有方法未能充分认识到特征解耦的潜在优势，通常使用相同的节点特征同时进行RUL预测和空间依赖建模。这种做法可能导致特征学习目标冲突：空间依赖建模侧重于捕捉节点间的局部关联，而RUL预测则要求节点特征表征设备的退化状态。当两项任务共享同一特征表示时，节点嵌入必须同时编码退化信息和拓扑关系，往往导致特征纠缠。在复杂工况下，这种纠缠不利于退化特征的有效表达，进而降低预测性能。值得注意的是，尽管特征解耦方法已在其他领域提出，但这些方法通常无法保证解耦后的特征既相互独立又具备任务相关性。其次，工业监测系统中冗余或弱相关的传感器节点会引入噪声、弱化关键退化特征并干扰全局表征学习。因此，有效筛选有价值的节点至关重要。例如，大型风力涡轮机通常在关键部件上安装大量传感器，用于监测风速、发电机温度等多种运行参数，这些多源传感器数据中常存在冗余。例如，在相同负载条件下，发电机输出功率与扭矩往往高度同步；位于同一区域或相邻部件上的温度传感器也可能记录高度相似的温度变化模式。此外，由于风力涡轮机长期在恶劣户外环境中运行，传感器易受潮湿和极端温度影响，导致性能下降或测量噪声。若此类传感器数据未经适当滤除，不仅会增加计算负担，还会稀释关键退化信号的有效性。本文提出了一种融合偏差-扩散性协同节点选择器的对比解耦图神经网络，以应对多传感器设备RUL预测中的上述问题。在该框架中，所提出的节点特征对比解耦模块旨在解决上述第一个问题。该模块将节点特征解耦为两类：用于剩余寿命预测的全局退化特征和用于空间依赖建模的局部关系特征。为增强解耦特征的任务相关性和独立性，该模块采用一种交叉融合-对比解耦策略，将两类特征在图内和图间进行重组，并基于重组后的表示构建针对特定任务的解耦约束，从而有效缓解任务无关信息的干扰。为克服上述第二个问题，提出了偏差-扩散性协同节点选择器。该模块通过设计的特征偏差因子有效量化退化特征的异常程度，并将此偏差因子与节点的信息扩散能力相结合，构建联合评估指标。因此，该选择器能够自适应地滤除冗余节点，有效抑制特征聚合阶段冗余或弱相关节点造成的干扰，从而增强模型在复杂工况下刻画退化趋势的能力。本文的主要贡献总结如下：为缓解因不同任务需求引发的潜在特征冲突，提出了节点特征对比解耦模块。该模块采用精心设计的交叉融合对比解耦策略，将两类解耦特征在同一图内或不同图间进行交叉组合，生成新的融合表示。基于这些表示，为RUL预测和空间依赖建模任务构建定制化解耦约束。该策略显著增强了解耦特征的任务相关性和信息独立性。为减轻冗余传感器的影响，提出了偏差-扩散性协同节点选择器。该模块同时考虑节点特征的偏差和节点的信息扩散能力，能够在不引入额外训练参数的情况下实现自适应节点选择。开发了一种基于上述两个模块的新型对比解耦图神经网络，用于多传感器设备RUL预测。在CMPASS和TWM数据集上的实验表明，所提方法在两项预测评估指标上均优于现有先进方法。3 相关工作3.1 基于RNN的剩余使用寿命预测方法循环神经网络及其变体，例如长短期记忆网络和门控循环单元，在时序建模方面具有固有优势，因此已被广泛应用于剩余使用寿命预测任务。然而，基于循环神经网络的方法在训练效率和模型复杂度方面仍然存在一定的局限性，并且在捕捉多源传感器数据间的空间相关性方面能力不足。3.2 基于CNN的剩余使用寿命预测方法 卷积神经网络擅长局部特征提取和分层表征学习，近年来在剩余使用寿命预测任务中的应用日益增多。通过采用一维或二维卷积运算，卷积神经网络能够有效地从监测信号中捕获局部模式和退化特征。与循环神经网络相比，卷积神经网络在并行计算和训练效率方面具有优势；然而，其建模能力通常局限于局部邻域，这使得其难以充分捕捉多源传感器之间的全局依赖关系。3.3 基于GNN的剩余使用寿命预测方法随着图神经网络的发展，越来越多的研究尝试利用图神经网络进行剩余使用寿命预测。与循环神经网络和卷积神经网络不同，图神经网络能够在图结构上直接进行特征传播与聚合，从而对传感器之间的非欧几里得拓扑关系进行建模。基于图神经网络的方法在建模多源数据的复杂依赖性方面展现出显著优势，但仍存在一定的局限性。首先，现有方法通常使用同一组节点特征同时服务于剩余使用寿命预测和空间依赖建模，却忽略了这两项任务对特征表示的不同需求，这容易导致潜在的特征冲突，进而削弱模型性能。其次，大多数现有方法依赖注意力机制来过滤冗余节点，这不仅会显著增加训练时的参数量和计算成本，而且未能充分考虑节点在图中的相对位置及其对全局表征的贡献。4 提出的剩余使用寿命预测方法本文提出的基于CDGNN-DDCS的多传感器设备剩余使用寿命预测方法基于以下关键假设。首先，设备的传感器数据可表示为图结构，其中节点对应单个传感器，边表示传感器间的关联关系，并假设该图结构能有效捕捉传感器间的依赖关系。其次，节点特征可解耦为两个相互独立的特征：用于剩余使用寿命预测的全局退化特征和用于建模空间依赖性的局部关系特征，且这些特征可在模型训练过程中有效解耦。最后，通过图卷积或消息传递机制，节点特征的聚合能够充分捕获来自相邻节点的信息，而不会引入显著的信息损失。所提方法的整体框架如图 1 所示。此外，本节将对其各组成部分进行详细阐述。 图1. 基于CDGNN-DDCS的多传感器设备RUL总体框架4.1 图结构构建在多传感器数据处理中，从不同传感器采集的数据通常反映了系统的不同属性，这些属性之间常通过复杂的空间依赖性相互关联。多传感器数据可建模为图数据，以捕捉并分析这些潜在关系，从而提取传感器间丰富的空间依赖信息。在图数据中，每个传感器被抽象为一个节点，而节点之间的边则编码了传感器之间的空间依赖关系。给定图 ，其中 表示节点特征集 合， 表示边集 合， 为节点总数。设 代表从 个传感器采集的数据。本文利用长短期记忆网络捕捉每个传感器数据中的时序依赖性，并将其输出的嵌入向量作为图的初始节点特征。该过程描述如下： 其中，表示图中第 个节点的初始特征， 为LSTM输出的嵌入维度。初始边 按以下方式确定： 其中， 用于衡量传感器数据间的相似度。本文采用余弦相似度作为默认的度量方法，但点积或可学习的神经网络等其他方法同样适用。4.2 节点特征对比解耦模块理想情况下，解耦后的特征应具有高独立性且与各自任务高度相关。具体而言，全局退化特征应仅包含与RUL预测直接相关的信息，而局部关系特征则应仅保留建模空间依赖所需的关键属性。为此，本文提出了节点特征对比解耦模块以实现上述目标（图2）。 图2. 通道注意力- Inception-Unet 框架该模块将每个节点的特征解耦为用于RUL预测的全局退化特征和用于空间依赖建模的局部关系特征。首先进行图内交叉融合：将一个节点的全局退化特征与另一个节点的局部关系特征组合，通过对比融合前后特征在空间依赖建模任务中的差异，构建相应的解耦约束项。随后进行图间交叉融合：选取来自两个RUL标签差异显著的图中的节点，将其全局退化特征与局部关系特征进行融合，在RUL预测任务中计算融合特征与原特征的差异，形成对应的解耦约束项。这两项约束共同增强了全局退化特征与局部关系特征的独立性，减少了语义干扰，从而提升了模型在RUL预测中的判别能力与泛化性能。其实现过程如下：设 表示第 层中节点 的特征。随后通过两个独立的解耦网络 和 分别进行处理，得到全局退化特征 与局部关系特征 。该过程可形式化表示为： 其中， 用于 RUL 预测， 用于空间依赖关系建模。如前所述， 应排除与空间依赖建模相关的信息，而 则应排除与 RUL 预测相关的信息。然而，仅通过两个独立的解耦网络难以实现精确的特征分离。因此，本文引入了两项附加约束项以强化解耦效果。首先，令 表示局部关系特征矩阵， 表示全局退化特征矩阵。对 的行进行随机打乱以生成 ，如下所示： 其中，表示置换矩阵。随后，将 与 融合以生成新的特征矩阵 ，具体如下所示： 其中， 表示 中的特定行向量，其计算方式如下： 其中， 表示逐元素相加操作。接着，通过计算 与 中其他行向量的相似度，得到向量 ： 其中， 代表相似性度量网络，该网络包含三个全连接层。其最后一层全连接层由单个神经元构成，并采用Sigmoid激活函数输出相似度评分。 在信息充分分离的条件下， 与其他节点间的空间依赖关系应与 完全相同，即： 因此，可以为空间依赖建模任务构建如下的解耦约束项： 接下来，将另一个解耦约束项应用于RUL预测任务。设 表示网络第 层的图集 合。从该集 合中随机选取一个图 ，则必存在另一个图 使得下式成立： 其中， 与 分别表示对应于图 与 的真实剩余使用寿命值。随后，通过对 和 进行节点特征解耦，可分别得到解耦后的特征矩阵：对于 ，获得关系特征矩阵 与退化特征矩阵 ；对于 ，获得关系特征矩阵 与退化特征矩阵 。接着，将 与 融合，得到 ，其计算公式如下所示： 此处， 融合了 中用于空间依赖建模的信息与 中用于剩余使用寿命预测的信息。因此，基于 得到的剩余使用寿命预测值应接近于基于 的预测结果。于是，可以推导出剩余使用寿命预测任务的解耦约束项如下： 其中， 表示剩余使用寿命预测网络，该网络由两个全连接层构成。在构建上述两项面向特定任务的约束项后，经过训练，网络应实现如下目标： 可以看出，对于 ， 与 是分别添加到 和 的扰动项；类似地，对于 ， 是添加到 的扰动项。因此，通过所提出的交叉融合‑对比解耦策略，能够提高解耦特征的独立性及任务针对性。与此同时，网络在提升鲁棒性的过程中，其抗干扰能力也得以增强。 4.3 图更新机制 局部关系特征用于衡量节点间的连接性。当前层的边可基于当前层的局部关系特征与前一层提供的边信息推导得出： 其中， 表示第 层节点 与节点 之间的边。更新后的边将随后用于同步更新全局退化特征与局部关系特征，其计算过程描述如下： 其中， 表示特征解耦更新网络，该网络由两个全连接层构成。最终，将 与 重新耦合，并输入至下一层进行进一步解耦。该耦合过程表述如下： 其中， 表示特征耦合网络，该网络同样由两个全连接层构成。4.4 偏差-扩散性协同节点选择器 基于图神经网络的RUL预测方法通常聚合图中所有节点的信息，以实现对目标任务的准确预测。然而在实际应用中，图中可能包含冗余节点，且部分节点的全局退化特征易受噪声干扰。这会增加全局信息聚合的复杂度，并削弱图的整体表征能力。本文提出的DDCS通过设计的特征偏差因子量化节点全局退化特征的偏离程度，并结合节点的信息扩散能力构建联合评估指标，使模型能够自适应地剔除冗余或无效节点，从而更聚焦于关键的退化特征。DDCS的结构如图 3 所示。 图3. DDCS框架 值得注意的是，DDCS不引入额外的训练参数，其实现过程如下。首先，基于 获得初始的图全局表征 ： 令 与 分别表示 与 中的第 个元素。本文采用信息熵来衡量节点特征的偏差： 的值越低，意味着 在某些特征维度上可能与总体存在显著偏差；反之， 较高时，虽不表明存在局部维度偏差，却可能提示 发生了均匀的多维度整体偏移。因此，本研究构建了特征偏差因子，旨在综合识别这两种不同的异常模式： 该值越小，表明该节点存在特征偏差的可能性越高。随后，将节点的信息扩散能力纳入 联合评估指标的构建中。设 表示第 层的邻接矩阵， 代表 第 行元素的总和， 表示 所有元素的总和。节点 的信息扩散能力定义如下： 值越高，表明节点 对其他节点具有更大的影响力。节点 的联合评估指标 可基于 和 计算得出： 随后，通过执行择优排序操作，将待丢弃节点的全局退化特征设置为零，从而得到更新后的全局退化特征矩阵 ： 其中， 表示待丢弃的节点数量， 为掩码矩阵。最终，重构后的图全局表征 可通过下式获得： 4.5 损失函数设计经过L层网络更新后，利用所有层重构的全局表征获得最终预测的RUL： 其中， 表示模型预测的剩余使用寿命。本文所提模型的损失函数定义如下： 其中，均方误差损失用于量化实际剩余使用寿命与预测剩余使用寿命之间的差异， 和 为超参数。4.6 剩余使用寿命预测流程 本文提出的基于CDGNN-DDCS的RUL预测方法详细流程如图 4 所示，展示了从多源传感器数据输入到剩余使用寿命预测的整体步骤。 图4. 基于CDGNN-DDCS的剩余使用寿命预测流程图为便于更直观地理解方法实现，表1给出了所提算法的伪代码。表1 所提剩余使用寿命预测方法伪代码 5 实验结果与验证为系统评估所提方法的有效性与优越性，本节在商用模块化航空推进系统仿真(CMAPSS)数据集和刀具磨损监测(TWM)数据集上，与多种先进方法进行了综合对比。此外，通过在实际风力涡轮机的剩余使用寿命预测任务上进行验证，以评估该方法在真实工业场景中的适用性。5.1 评价指标本文采用均方根误差与评分函数两项指标评估模型性能。均方根误差是评估回归模型的常用指标，其计算如式所示： RMSE可用于衡量预测值与真实值之间的偏差，适用于评估模型的整体预测精度，其值越小表明模型性能越好。均方根误差可衡量预测值与实际值之间的偏差，适用于评估模型的整体预测精度，其值越小表明模型性能越好；评分函数则是专为剩余使用寿命预测任务设计的评估指标，其计算定义如下： 该评分函数引入了指数化惩罚机制，针对提前预 测和滞后预测施加差异化惩罚，从而能够在不同预测阶段对模型性能进行更为全面的评估。评分函数的值越低，表明模型的预测性能越好。5.2 研究 I：CMAPSS数据集剩余使用寿命预测5.2.1 CMAPSS数据集描述与预处理 CMAPSS数据集由美国国家航空航天局（NASA）开发，是RUL预测研究中广泛使用的基准数据集。该数据集通过高保真涡轮风扇发动机仿真模型生成，包含四个子集（FD001–FD004）。每个子集模拟了21个传感器在不同故障模式与运行工况下的监测数据。本研究选取其中14个传感器进行RUL预测，编号分别为2、3、4、7、8、9、11、12、13、14、15、17、20和21。为便于后续预测任务，传感器监测数据采用最大-最小归一化方法进行标准化处理。为生成深度学习模型可直接使用的训练样本，采用滑动时间窗口法对每个序列进行分段处理：设定窗口长度为 ，步长为1，将每台发动机的监测数据划分为多个重叠的子序列。每个子序列包含 个连续时间步，其标签定义为该子序列末时间步对应的真实RUL值。四个子集的详细规格如表2所示。表2 CMAPSS数据集详情 5.2.2 实验配置 本实验训练过程中采用Adam优化器，使用其默认超参数，批处理大小设为128，总训练轮数为200。初始学习率设置为 。所提模型在CMAPSS数据集上的超参数设置如表3所示。表3 CDGNN-DDCS在CMAPSS数据集上的参数配置 5.2.3 在CMAPSS数据集上的性能比较 为验证所提出的CDGNN-DDCS的性能，本研究将其与九篇文献中的方法进行了比较。对比方法包括基于RNN的方法（BiGRU-TSAM、DA-LSTM）、基于CNN的方法（STRUL、AMST-GATE）；基于GNN的方法（GAT-DAT、MST-GAT、HAGCN、ConvGAT、MGCAL-UQ与GCN-PR）以及混合GNN-Transformer方法（NSD-TGTN、DVGTformer、FIT-GSTM与GF-GGAT）。与RNN和CNN方法的对比验证了GNN在RUL预测中的显著潜力；而与GNN方法及混合GNN-Transformer方法的对比则凸显了本研究所提网络的优越性。 表4 各方法在CMAPSS数据集上的实验结果对比 表4展示了所有方法在CMAPSS数据集上的RMSE与SF值。实验结果表明，CDGNN-DDCS在CMAPSS数据集上的整体性能显著优于其他方法，体现了其在RUL预测任务中的优越性。值得注意的是，由于对多源传感器数据间空间信息的利用不足，BiGRU-TSAM、DA-LSTM和STRUL等方法相较于HAGCN、MST-GAT等GNN方法在综合性能上表现较弱，这一对比验证了GNN在RUL预测应用中的巨大潜力。此外，与这些先进的GNN方法及混合GNN-Transformer方法的比较结果，也验证了本文提出的NFCDM和DDCS模块的有效性。 图5对比了CDGNN-DDCS预测的RUL与CMAPSS四个子集中的真实RUL。预测RUL与真实RUL表现出高度一致性，与表5中的结果相吻合，进一步证明了CDGNN-DDCS在RUL预测中的可行性。 图5. 所有测试发动机实际与预测剩余使用寿命对比5.2.4 消融实验 本节通过一系列消融实验来评估CDGNN-DDCS模型中各组件对整体性能的影响。具体设计了四种模型变体：（1）模型1：移除NFCDM和DDCS模块；（2）模型2：移除DDCS模块，并使用两个独立的神经网络进行节点特征解耦；（3）模型3：仅保留NFCDM模块；（4）模型4：仅保留DDCS模块。 所有其他配置在模型间保持一致，以确保公平比较。表5和表6总结的实验结果表明，完整的CDGNN-DDCS模型在所有四个子数据集上均优于四个消融变体。表5 各模型的均方根误差评估结果 表6 各模型的评分函数评估结果 值得注意的是，模型3的性能优于模型2，这表明得益于所提出的两项面向特定任务的解耦约束，NFCDM有效改善了特征解耦效果。模型1与模型4的对比证实了DDCS通过剔除冗余节点提高了模型的RUL预测性能。综上所述，CDGNN-DDCS模型中的各个组件对其整体性能的提升均不可或缺。 图6. 特征可视化结果 图6展示了CDGNN-DDCS与模型1在FD001和FD003数据集上的特征可视化结果，以证明所提CDGNN-DDCS的优越性。由于具备节点特征解耦能力，CDGNN-DDCS实现了更优的任务级特征优化，因此其提取的特征相比缺乏特征解耦的模型1呈现出更显著的退化趋势。 图7. 解耦特征可视化结果此外，图7展示了所提模型在FD001子集上的特征解耦可视化结果，可以看出全局退化特征与局部关系特征之间存在显著差异，这表明两项任务对特征的需求各不相同。5.2.5 模型复杂度分析 为评估所提方法在工业应用中的可行性，本节对模型进行了系统的计算复杂度分析。设 为批量大小， 为图中节点数量， 为节点特征的维度。与基线模型相比，所提方法因引入NFCDM和DDCS模块而产生了额外开销。NFCDM在训练阶段增加了 的时间复杂度和 的空间复杂度，而在测试阶段其时间复杂度降至 。DDCS模块则引入了 的时间复杂度和 的空间复杂度。表7 模型复杂度与性能对比分析 如表7所示，本文从参数量、运行时间等方面将所提CDGNN-DDCS与标准GCN及开源方法GGCN进行了对比。CDGNN-DDCS中的NFCDM包含两个特征解耦网络和一个特征耦合网络，而DDCS模块本身不包含可训练参数，因此所提方法并未引入过多的额外参数量。此外，NFCDM仅在训练阶段构建两个解耦约束项，在测试阶段不会显著增加计算时间。相比之下，GGCN的参数量和运行时间均有大幅增加，但其性能提升却较为有限。而CDGNN-DDCS仅以轻微的计算开销增长，即实现了显著的模型性能提升。对比结果表明，CDGNN-DDCS在性能与效率之间实现了有效平衡，为在工业应用中部署高性能图神经网络提供了实用且高效的解决方案。5.3 研究 II：TWM数据集剩余使用寿命预测5.3.1 TWM数据集描述与预处理 刀具磨损监测数据集源自PHM学会主办的"刀具健康预测"竞赛，是机械领域PHM研究的重要基准数据集。实验所用平台如图8所示。该数据集使用多种传感器记录了高速CNC机床球头铣刀整个生命周期内的信号，包括X、Y、Z三个方向的切削力、振动信号以及声发射信号的均方根值。数据采集覆盖了刀具的整个生命周期，通过六次独立的重复实验产生了六个子数据集，分别标记为C1、C2、C3、C4、C5和C6。每个子数据集对应一把新刀具从初始状态到失效的完整磨损过程，记录了每个切削周期的多通道传感器信号以及人工标注的实际磨损测量值。 图8. 数据采集实验平台 在本研究中，仅选取了带有标注的子数据集C1、C4和C6进行实验。这些子数据集不仅包含全生命周期传感器数据，还提供了每个周期对应的剩余切削周期数，可直接用于RUL预测模型的训练与验证。在特征构建方面，从七类传感器信号中提取均方根值作为原始特征。针对每个切削周期，以适当间隔采样30个均方根测量值作为节点特征来构建图表征，使得每个图的初始节点特征维度为30。每个周期对应的剩余切削周期数则被视为相应图样本的RUL标签。5.3.2 实验配置本研究采用 3 折交叉验证策略，在 TWM 数据集上设置了三个预测任务。具体而言，每次选取其中两个子集作为训练集，剩余一个子集作为测试集。三项任务的具体配置细节如表 8 所示。表 9 列出了 CDGNN-DDCS 在三项任务中的超参数设置。与案例研究 I 类似，采用 Adam 优化器更新网络参数，初始学习率为 ，批处理大小设为 128 ，训练轮数为 500 轮。表8 TWM数据集预测任务配置表9 CDGNN-DDCS在TWM数据集上的参数配置 5.3.3 在TWM数据集上的性能比较 为评估所提CDGNN-DDCS的优越性，选取了七种对比方法（STRUL、TCN-SA、HAGCN、MST-GAT、GAT-DAT、NSD-TGTN和AMST-GATE）进行比较。相应的实验结果如表10所示。 表10 各方法在TWM数据集上的实验结果 结果表明，CDGNN-DDCS的整体性能显著优于所有其他方法。图9展示了CDGNN-DDCS在各任务上的预测结果，显示其预测RUL与实际RUL具有高度一致性。图10展示了CDGNN-DDCS在三个任务上的特征可视化结果。CDGNN-DDCS提取的特征呈现出清晰的退化趋势。因此可以得出结论，所提出的CDGNN-DDCS在RUL预测中表现出卓越的性能。 图9. 三项任务的剩余使用寿命预测结果 图10. 三项任务的特征可视化结果5.3.4 模型超参数分析 为分析模型关键超参数的敏感性，分别考察了超参数 、 和 对模型性能的影响。其中， 和 用于控制两项解耦约束项的强度，而 控制待丢弃的节点数量。通过在CMAPSS和TWM数据集上逐一调整这些超参数并观察RMSE与SF的变化，研究了模型对这些超参数的敏感性。图11至图14展示了 和 在不同取值下的变化趋势实验结果表明。模型整体性能保持稳定，仅在部分参数值处出现微小的随机波动。随着参数 与 的增大，模型在两个数据集上的RMSE与SF曲线并未呈现明显的变化趋势，参数 对性能的影响与 类似。综上所述，所开发的模型对参数 和 均表现出较低的敏感性。 图11. 参数 λr 对CMAPSS数据集模型性能的影响 图12. 参数 λd 对CMAPSS数据集模型性能的影响 图13. 参数 λr 对TWM数据集模型性能的影响 图14. 参数 λd 对TWM数据集模型性能的影响 图15和图16展示了超参数 的敏感性分析结果。可以观察到，在 （即不丢弃任何节点）的设置下，模型在这两个数据集上并未取得最佳性能。当 时，模型在两个数据集上均达到了最佳性能，这表明适度丢弃部分节点有助于消除冗余信息并提升表征能力。然而，随着 继续增加，图结构中的有效信息也可能被削弱，导致在两个数据集上的性能均出现一定程度的下降。这些结果表明，节点选择机制在适当范围内能够提升模型性能，但过度丢弃会导致信息丢失和性能下降。因此，在实际应用中，应将 设置为较小值以保留更多有用的预测信息。 图15. 参数ω对CMAPSS数据集模型性能的影响 图16. 参数ω对TWM数据集模型的影响 5.4 案例研究三：风力涡轮机剩余使用寿命预测5.4.1 实验数据描述实验设备为位于中国西北部某风电场内的多台2兆瓦风力涡轮发电机，如图17(a)所示。在这些涡轮机的关键部件上共安装了26个传感器（见图17(b)）以采集多源监测数据，数据采集系统基于SCADA平台。图17. 实验风力涡轮机详情 表11列出了用于风力涡轮机监测的各传感器信息。实验数据采集时长为两年，采样间隔为一分钟。表11 风力涡轮机测量传感器描述 图18展示了特定时间段内若干传感器记录的监测数据典型示例。在本实验中，编号为7、15和18的涡轮机发生了故障。因此，使用这三台涡轮机的数据来验证所提方法的有效性。样本采用滑动窗口方法生成，并计算其均方根值作为网络输入。具体而言，使用7号和18号涡轮机的数据构建训练集，而15号涡轮机的数据用于构建测试集。图18. 部分传感器采集信号示例 5.4.2 实验设置 类似地，本实验使用Adam优化器更新网络参数，初始学习率为 ，批处理大小设为512，训练轮数为500轮。控制两项解耦约束项的超参数 和 分别设置为0.3和0.1。基于传感器总数，本实验中的丢弃节点数 设为2。时间窗口大小设置为60，CDGNN-DDCS网络配置为2层。 5.4.3 实际风力涡轮机剩余使用寿命预测结果 本实验选取了六种方法与所提方法进行比较， BiGRU 、 BiLSTM 、 SALSTM 、 GCN 、 GAT 和 GGCN 。表 12 展示了这些方法在实际风力涡轮机上的 RUL 预测结果。为验证在实际工程应用中丢弃冗余节点的有效性，表 12 同时列出了当 时所提 CDGNN-DDCS 的预测结果。实验结果表明， CDGNN-DDCS 的性能明显优于对比方法。此外可以观察到，当不丢弃任何节点时， CDGNN-DDCS 取得的 RMSE 为 3.56 ， SF 为 141.21 ，均高于 时的结果，这进一步证明传感器网络中冗余节点的移除有助于提升模型的预测性能。 表12 不同方法在实际风力涡轮机剩余使用寿命预测上的实验结果 图19(a)展示了预测RUL与实际RUL的对比情况，图19(b)则展示了该方法所得全图表征的特征可视化。如图19(a)所示，预测RUL与实际RUL高度吻合，准确捕捉了风力涡轮机RUL的变化趋势。图19(b)的可视化结果表明，所提方法获得的全图表征能够有效区分对应不同健康状态的特征。综上所述，所提方法可有效应用于实际风力涡轮机的剩余使用寿命预测。 图19. 所提方法的风力涡轮机剩余使用寿命预测结果：(a) 预测剩余使用寿命与实际值对比；(b) 特征可视化结果 5 结论本文提出了一种基于CDGNN-DDCS的多传感器设备剩余使用寿命预测方法，其主要贡献可归纳如下。首先，针对传统方法中潜在的特征隐式冲突问题，提出了节点特征对比解耦模块。该模块将节点特征分解为全局退化特征与局部关系特征，分别用于多传感器设备RUL预测任务和空间依赖性建模；同时，NFCDM采用交叉融合‑对比解耦策略，有效减少了任务无关信息带来的交叉干扰。其次，所提出的偏差‑扩散性协同节点选择器能够自适应剔除冗余节点，从而在特征聚合过程中最小化其干扰，提升模型的鲁棒性。此外，通过在两个公开数据集上的对比实验验证了所提方法的优越性，并基于真实风力涡轮机的RUL预测结果进一步证明了其工程实用性。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、Kira、肖鑫鑫、赵诚、张优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