摘要
本发明公开了一种基于双图结构融合的轴承寿命智能预测方法。传统轴承RUL预测方法较多的依赖于先验知识和特定的统计指标，且无法有效地处理被噪声破坏的原始图结构。该方法首先通过时间序列shapelets将轴承时间序列数据转换为一种新的节点级图结构TSSDG。随后，在图卷积网络(GCN)之前创造了一个稀疏图结构层。该层旨在从节点表示中学习潜在的稀疏图结构，并基于特定的权值融合原始图结构，使图结构和节点表示交替迭代更新。最后，通过双向长短时记忆网络(BiLSTM)层来增强模型捕捉信号中全局时间依赖性的能力。本发明提出的智能预测方法实现了端到端的轴承RUL预测，并在实验测试中表现出了更高的预测精度和稳定性。
