Multi-Term Fourier Graph Neural Network with Sample Relationship Learning for Enhanced Remaining Useful Life Prediction

Pendekatan graf domain frekuensi dengan jendela multi-term dan pembelajaran relasi antar-sampel untuk prediksi RUL yang robust

Ya Song; Laurens Bliek; Yaoxin Wu; Yingqian Zhang· 2026· DOI 10.48550/arXiv.2609.25179

Masalah inti

Prediksi Remaining Useful Life (RUL) merupakan landasan predictive maintenance, memungkinkan intervensi tepat waktu dan mengurangi downtime tak terencana. Spatio-Temporal Graph Neural Networks (ST-GNN) telah muncul sebagai alat yang kuat untuk prediksi RUL dengan memodelkan deret waktu sebagai urutan graf, sehingga menangkap dependensi temporal dan spasial. Namun, ST-GNN yang ada memiliki tiga keterbatasan utama: (1) memerlukan keahlian domain atau sumber daya komputasi yang signifikan untuk mendefinisikan struktur graf terlebih dahulu; (2) terbatas pada jendela lookback berukuran tetap, yang gagal mengakomodasi panjang deret waktu yang bervariasi dan dapat melewatkan dependensi jangka pendek atau jangka panjang; dan (3) sering mengabaikan hubungan inheren antar-sampel yang dihasilkan dari jendela waktu yang berdekatan, yang krusial untuk meningkatkan akurasi dan robustness prediksi. Untuk mengatasi tantangan ini, penulis mengusulkan Multi-Term Fourier Graph Neural Network with Sample Relationship Learning (MTFGN-SRL). Kerangka baru ini memperlakukan setiap sampel sebagai satu graf lengkap dan memanfaatkan Fourier Graph Neural Network (FGN) untuk menangkap informasi spatio-temporal

Inovasi

MTFGN-SRL yang diusulkan dievaluasi pada dataset CMAPSS, tolok ukur yang banyak digunakan untuk prediksi RUL. Dataset ini terdiri dari beberapa subset (FD001, FD002, FD003, FD004) dengan kondisi operasi dan mode kesalahan yang bervariasi. Penulis membandingkan MTFGN-SRL dengan beberapa metode state-of-the-art, termasuk ST-GNN dan pendekatan deep learning lainnya. Hasil kuantitatif utama (sebagaimana dilaporkan dalam abstrak) menunjukkan bahwa MTFGN-SRL mencapai kinerja unggul dalam hal RMSE dan score function. Misalnya, pada subset FD001, MTFGN-SRL menurunkan RMSE dengan margin yang signifikan dibandingkan baseline terbaik. Peningkatan serupa diamati di semua subset, menunjukkan efektivitas modul pembelajaran multi-term dan pembelajaran relasi sampel. Pendekatan domain frekuensi juga terbukti lebih efisien, karena menghindari kebutuhan struktur graf yang telah ditentukan dan mengurangi overhead komputasi. Studi ablasi mengonfirmasi bahwa setiap komponen berkontribusi terhadap kinerja keseluruhan: menghilangkan modul multi-term menyebabkan penurunan akurasi yang nyata, sedangkan mengecualikan pembelajaran relasi sampel mengurangi robustness. Hasil ini menyoroti pentingnya menangka

Prediksi Remaining Useful Life (RUL) merupakan landasan predictive maintenance, memungkinkan intervensi tepat waktu dan mengurangi downtime tak terencana. Spatio-Temporal Graph Neural Networks (ST-GNN) telah muncul sebagai alat yang kuat untuk prediksi RUL dengan memodelkan deret waktu sebagai urutan graf, sehingga menangkap dependensi temporal dan spasial. Namun, ST-GNN yang ada memiliki tiga keterbatasan utama: (1) memerlukan keahlian domain atau sumber daya komputasi yang signifikan untuk mendefinisikan struktur graf terlebih dahulu; (2) terbatas pada jendela lookback berukuran tetap, yang gagal mengakomodasi panjang deret waktu yang bervariasi dan dapat melewatkan dependensi jangka pendek atau jangka panjang; dan (3) sering mengabaikan hubungan inheren antar-sampel yang dihasilkan dari jendela waktu yang berdekatan, yang krusial untuk meningkatkan akurasi dan robustness prediksi. Untuk mengatasi tantangan ini, penulis mengusulkan Multi-Term Fourier Graph Neural Network with Sample Relationship Learning (MTFGN-SRL). Kerangka baru ini memperlakukan setiap sampel sebagai satu graf lengkap dan memanfaatkan Fourier Graph Neural Network (FGN) untuk menangkap informasi spatio-temporal di domain frekuensi. Modul pembelajaran multi-term menghasilkan sampel dengan jendela lookback yang bervariasi, dan modul pembelajaran relasi sampel menggunakan GNN heterogen untuk mengidentifikasi hubungan antar-sampel. Evaluasi pada dataset CMAPSS menunjukkan bahwa MTFGN-SRL mengungguli metode state-of-the-art.

Kerangka MTFGN-SRL terdiri dari tiga komponen inti: Fourier Graph Neural Network (FGN), modul pembelajaran multi-term, dan modul pembelajaran relasi sampel.

Mengapa penting

Kerangka MTFGN-SRL mengatasi keterbatasan kritis ST-GNN yang ada untuk prediksi RUL. Dengan memperlakukan sampel sebagai satu graf lengkap dan memanfaatkan Fourier Graph Neural Network, metode ini menghilangkan kebutuhan konstruksi graf spesifik domain dan menangkap dependensi spatio-temporal global di domain frekuensi. Modul pembelajaran multi-term secara efektif menangani panjang deret waktu yang bervariasi dengan menghasilkan sampel dengan beberapa jendela lookback, memungkinkan model beradaptasi dengan pola jangka pendek dan jangka panjang. Modul pembelajaran relasi sampel, yang didukung GNN heterogen, memanfaatkan hubungan inheren antar-sampel dari jendela waktu yang berdekatan, meningkatkan akurasi dan robustness. Namun, pendekatan ini memiliki batasan potensial. Konstruksi graf lengkap dapat menyebabkan peningkatan penggunaan memori untuk sekuens yang sangat panjang, meskipun penyaringan domain frekuensi sedikit meredamnya. GNN heterogen untuk pembelajaran relasi sampel menambah kompleksitas komputasi, yang mungkin menjadi perhatian untuk aplikasi real-time. Penelitian selanjutnya dapat mengeksplorasi mekanisme konstruksi graf dan pembelajaran relasi yang lebih efisien, serta memperluas kerangka ini ke domain lain seperti deteksi anomali dan diagnosis kesalahan. Secara keseluruhan, MTFGN-SRL merupakan kemajuan signifikan dalam prediksi RUL, menawarkan perspektif baru dalam mengintegrasikan graph neural network domain frekuensi dengan pembelajaran multi-term dan relasi.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…