通过将复杂设备的结构表示为图，并使用图神经网络对多传感器时间序列数据建模，可以实现自动化设备健康监测，估算设备剩余寿命以及故障诊断，相较于基于循环神经网络(RNN)和卷积神经网络(CNN)的方法，基于图神经网络(GNN)的剩余寿命估算模型表现更为优异。

Jun, 2020

本文提出一种基于粒子-边界相互作用的有效模型，构建了Boundary Graph Neural Networks (BGNNs)用于模拟颗粒与复杂三维物体边界的交互，实现了颗粒传输和混合熵的预测准确性，并取得了出色的计算效率和模拟精度。

Jun, 2021

本研究探讨了如何在基于振动信号的深度神经网络所训练的轴承故障检测中利用已有的基于概念的解释技术，以确保人们对模型内部工作机制的理解，并通过验证底层假设的准确性来获得可信的结果。

Oct, 2023

利用多输入自回归模型将振动信号与先前预测的健康指标值相结合，通过特征融合输出当前窗口的健康指标值，从而解决滚动轴承寿命预测中通用性有限的问题。通过自回归迭代，该模型具有全局感受野，有效克服通用化的限制。在PMH2012数据集上的实证评估表明，与使用类似自回归方法的其他骨干网络相比，我们的模型在均方根误差（RMSE）和得分（Score）方面表现明显更低，优于传统的自回归模型和非自回归网络，具有出色的通用性能力。

Nov, 2023

该研究论文提出了一种高效的实时卷积神经网络（CNN）来诊断多个滚动轴承故障，针对不同噪声水平和时变转速的实际应用环境。并且，使用一种新颖的基于Fisher的频谱可分离性分析（SSA）方法，阐明了所设计CNN模型的有效性。实验证实了该模型在三个方面优于最先进方法：精度提高高达15.8%，在各种信噪比下具有噪声鲁棒性，且实时处理速度是采集速度的五分之一。此外，通过所提供的SSA技术，我们揭示了该模型在应对实际挑战方面的有效性。

Nov, 2023

使用基于CVGAN模型的振动信号生成框架，结合历史振动数据和剩余寿命，通过一维水平和垂直方向的条件振动信号生成，提高滚动轴承寿命预测模型的准确性。在PHM 2012数据集上的实验表明，CVGAN模型在自回归和非自回归生成模式下，通过MMD和FID指标的表现优于许多先进方法。尤其值得注意的是，使用CVGAN模型生成的完整生命周期数据训练的预测模型在性能上得到了显著提升，突出了CVGAN生成的数据对模型预测能力的有效性。

Jan, 2024

利用时间频率分析和深度学习技术，本文提出了一种诊断滚动轴承故障的方法，在时间变化的速度和不同噪声水平下取得了显著的准确率提升，解决了现有方法在这些条件下应用受限的问题。

Jan, 2024

准确的轴承负载监测对其预测和健康管理至关重要，能够实现损伤评估、磨损预测和主动维护。本研究引入基于图神经网络的虚拟传感器，通过分析传感器信号之间的时空依赖关系，将已有的温度、振动测量映射到轴承载荷，从而实现更准确的载荷预测。该研究还介绍了一种异构时间图神经网络模型，专门用于有效地预测具有不同动态特性的温度、振动和载荷之间的相互作用。研究结果表明，该模型优于传统的卷积神经网络，能够更好地捕捉温度、振动和载荷之间的复杂空间相互作用。

Apr, 2024

该研究介绍了一种加速复杂物理系统时间域偏微分方程数值分析的新方法，结合经典的降阶建模框架和最近引入的图神经网络，通过对具有不同数值离散化大小的高度异构数据库进行训练，可以处理非参数几何体的广泛范围，提高效率并保持合理的准确性。

Jun, 2024

本综述文章旨在深入概述图神经网络在力学相关领域中的应用，同时识别关键挑战并勾勒未来的研究方向，以填补目前在解决力学相关问题方面图神经网络最新进展的系统评述的空缺。

Jul, 2024