Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction

要約

残存耐用年数 (RUL) の予測は、相互に関連するさまざまなセンサーが関与する産業システムの予後と健全性管理において重要な役割を果たします。
このようなシステムからの時系列感覚データの一定の流れを考慮すると、これらのデータ内の複雑で非線形の時間依存性を特定する際に、深層学習モデルが注目を集めています。
個々のセンサーの時間的依存性に加えて、これらのセンサー間の重要な相関関係として空間的依存性が現れます。これは、時間とともに変化する空間関係を記述する時間グラフによって自然にモデル化できます。
ただし、既存の研究の大部分は、この時間グラフの個別のスナップショットをキャプチャすることに依存しており、これは時間情報の損失につながる粗いアプローチです。
さらに、さまざまな異種センサーがあることを考えると、そのような固有の異種性を時間センサー グラフでの RUL 予測に活用することが重要になります。
相互接続されたセンサーのグラフにおける時間的および空間的関係および異種特性の微妙なニュアンスを捉えるために、Temporal and Heterogeneous Graph Neural Networks (THGNN) という新しいモデルを導入します。
具体的には、THGNN は隣接ノードからの履歴データを集約し、センサー データ ストリーム内の時間的ダイナミクスと空間相関をきめ細かい方法で正確にキャプチャします。
さらに、このモデルは、Feature-wise Linear Modulation (FiLM) を活用してセンサー タイプの多様性に対応し、データ ソース内の異質性を学習するモデルの能力を大幅に向上させます。
最後に、包括的な実験を通じてアプローチの有効性を検証しました。
私たちの経験的調査結果は、N-CMAPSS データセットの大幅な進歩を示しており、最先端の方法と比較して 2 つの異なる評価指標に関して最大​​ 19.2% および 31.6% の改善を達成しています。

要約(オリジナル)

Predicting Remaining Useful Life (RUL) plays a crucial role in the prognostics and health management of industrial systems that involve a variety of interrelated sensors. Given a constant stream of time series sensory data from such systems, deep learning models have risen to prominence at identifying complex, nonlinear temporal dependencies in these data. In addition to the temporal dependencies of individual sensors, spatial dependencies emerge as important correlations among these sensors, which can be naturally modelled by a temporal graph that describes time-varying spatial relationships. However, the majority of existing studies have relied on capturing discrete snapshots of this temporal graph, a coarse-grained approach that leads to loss of temporal information. Moreover, given the variety of heterogeneous sensors, it becomes vital that such inherent heterogeneity is leveraged for RUL prediction in temporal sensor graphs. To capture the nuances of the temporal and spatial relationships and heterogeneous characteristics in an interconnected graph of sensors, we introduce a novel model named Temporal and Heterogeneous Graph Neural Networks (THGNN). Specifically, THGNN aggregates historical data from neighboring nodes to accurately capture the temporal dynamics and spatial correlations within the stream of sensor data in a fine-grained manner. Moreover, the model leverages Feature-wise Linear Modulation (FiLM) to address the diversity of sensor types, significantly improving the model’s capacity to learn the heterogeneity in the data sources. Finally, we have validated the effectiveness of our approach through comprehensive experiments. Our empirical findings demonstrate significant advancements on the N-CMAPSS dataset, achieving improvements of up to 19.2% and 31.6% in terms of two different evaluation metrics over state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google