.png){kind=icon}
返回
Spatio-temporal hypergraph-driven evolutionary Graph-Mamba method for remaining useful life prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.aei.2025.103925.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多传感器信息的有效融合对于预测航空发动机的剩余使用寿命至关重要。然而，由于变工况的复杂性，传感器信号表现出时变和非线性特征，导致退化信息模糊。这给构建能够准确提取退化趋势并有效整合信号时空特征与先验知识的预测模型带来了挑战。因此，本文提出了一种基于进化Graph-Mamba的剩余使用寿命预测方法。首先，通过Kolmogorov–Arnold Networks学习健康阶段工况与传感器信号间的映射关系，并将网络输出值与原始信号间的残差表征为退化信息。同时，将航空发动机内的能量传递路径嵌入为知识以构建超图，从而创建时空超图实现信息融合。其次，设计门控机制模拟交叉操作，融合上一代信息以增强Graph-Mamba生成嵌入的多样性，进而获得更优的图表示。同时，添加高斯白噪声模拟变异操作，提高预测模型的鲁棒性。最后，在NASA的N-CMAPSS数据集上验证了预测模型，并进一步使用C-MAPSS数据集验证了其有效性。实验结果表明，该方法具有优异的预测性能。
