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

Predicting the remaining useful life (RUL) is essential for effective predictive maintenance. Spatio-Temporal Graph Neural Networks (ST-GNNs), which can model both temporal and spatial relationships by representing time series data as a sequence of graphs, have shown exceptional performance in RUL prediction. However, current ST-GNNs face several drawbacks. First, they require domain expertise or significant computational power to establish graph structures prior to deploying GNNs. Second, the models are restricted to capture temporal dependencies within a predefined fixed-size lookback window. This restriction ignores the common issue of varying time series lengths, leading the prediction model to miss short-term or long-term dependencies. Finally, conventional models often fail to capture the inherent relationships between samples generated from adjacent time windows, which are crucial for improving both the accuracy and robustness of predictions. To address the aforementioned issues, we introduce a novel framework called Multi-Term Fourier Graph Neural Network with Sample Relationship Learning (MTFGN-SRL). Rather than treating the sample as a sequence of graphs, we consider it as a single complete graph and utilize a Fourier Graph Neural Network (FGN) to capture the spatio-temporal information in the frequency domain. We propose a multi-term learning module that utilizes multiple lookback windows to generate samples with varying terms, which are then fed into the FGN to enhance the extraction of useful information from the data. Finally, we develop a sample relationship learning module by training a heterogeneous GNN to identify inter-sample relationships, resulting in enhanced accuracy and robustness in predictions. Evaluations on the CMAPSS dataset demonstrate MTFGN-SRL's superior performance over state-of-the-art methods in RUL prediction.

한 줄 요약

MTFGN-SRL은 RUL 예측에서 정확도와 안정성을 향상시키기 위해 다중 윈도우와 샘플 관계 학습을 결합한 새로운 그래프 신경망 프레임워크이다.

핵심 기여도

**Fourier Graph Neural Network (FGN)**를 도입하여 시공간 정보를 주파수 영역에서 추출.
**Multi-term learning module**을 통해 다양한 lookback 윈도우를 사용해 샘플 생성.
**Sample relationship learning module**을 통해 인접 샘플 간 관계를 학습.
**CMAPSS 데이터셋**에서 기존 최고 성능을 초과하는 RUL 예측 결과를 달성.

핵심 아이디어

기존의 Spatio-Temporal Graph Neural Networks (ST-GNNs)는 그래프 구조 설정에 전문 지식이 필요하며, 고정된 lookback 윈도우로 인해 단기 및 장기 의존성을 포착하지 못한다. 또한, 인접 샘플 간 관계를 무시하는 문제가 있었다. 본 연구는 이러한 문제를 해결하기 위해 샘플을 일련의 그래프가 아닌 **단일 완전 그래프**로 처리하고, **FGN**을 통해 시공간 정보를 주파수 영역에서 추출하는 새로운 접근법을 제안한다. 또한, 다양한 lookback 윈도우를 사용하는 **Multi-term learning module**과 샘플 간 관계를 학습하는 **Sample relationship learning module**을 결합하여 예측 정확도와 안정성을 동시에 향상시킨다.

기술적 접근법

**Fourier Graph Neural Network (FGN)**: 시공간 정보를 주파수 영역에서 추출.
**Multi-term learning module**: 다양한 lookback 윈도우를 사용해 샘플 생성.
**Sample relationship learning module**: 이질적 GNN을 사용해 샘플 간 관계 학습.
**CMAPSS 데이터셋** 사용.
샘플을 **단일 완전 그래프**로 표현.

주요 결과

**CMAPSS 데이터셋**에서 기존 최고 성능을 초과하는 RUL 예측 결과를 달성.
**Multi-term learning module**과 **Sample relationship learning module**의 결합이 정확도와 안정성 향상에 기여.
**Fourier Graph Neural Network (FGN)**를 통해 주파수 영역에서의 시공간 정보 추출 효과 확인.

의의 및 한계

본 연구는 RUL 예측에서 샘플 간 관계를 학습하고, 다양한 lookback 윈도우를 활용하는 새로운 프레임워크를 제안함으로써, 예측 정확도와 안정성을 동시에 향상시키는 데 기여한다. 특히, 주파수 영역에서의 시공간 정보 추출은 기존 방법과 차별화된 접근법이다. 그러나 **구체적인 성능 수치**는 초록에 명시되지 않았으며, **추가 실험 및 분석**이 필요할 수 있다. 또한, **이질적 GNN의 학습 복잡도**가 높아져 계산 비용 증가 가능성도 존재한다.

실용적 활용

MTFGN-SRL은 예지 정비 시스템에서 설비의 잔여 수명을 정확히 예측하는 데 활용될 수 있다. 특히, 다양한 lookback 윈도우와 샘플 간 관계 학습을 통해 **복잡한 시간 시리즈 데이터를 처리하는 산업 현장**에서 유용하게 사용될 수 있다.