《Knowledge-Based Systems》：Maintenance Knowledge Graph and Time-Series Relational Graph Convolution Neural Networks for Enhancing Predictive Maintenance of Wind Turbine Gearbox
编辑推荐：
风电齿轮箱故障诊断与维护策略优化研究中，提出基于图神经网络（GNN）的预测性维护（GNNPM）算法，通过构建维护知识图谱（KG）和时间相关图卷积网络（TRGCN），有效整合风电齿轮箱的系统级交互关系。实验表明，该方法在故障模式分类（94.06%）和退化状态分类（97.10%）上表现优异，同时准确预测维护行动（最高93.4%），显著优于传统GNN模型，为复杂系统维护决策提供可靠框架。
金洪硕|李钟秀
韩国首尔延世大学机械工程学院，邮编03722
摘要
本研究开发了一种基于图神经网络（GNN）的预测性维护（GNNPM）算法，用于诊断风力涡轮机齿轮箱的故障并推荐维护策略。该研究解决了现有方法的关键局限性，例如缺乏系统级分析以及同时进行故障诊断和维护决策的能力有限。利用仿真生成的故障和退化数据，构建了一个维护知识图谱来模拟故障状态与维护动作之间的关系。所提出的方法采用时域关系图卷积网络（TRGCN）来分析时间序列数据，并评估维护前后的系统状态。GNNPM算法在多标签故障分类和维护动作预测任务中取得了出色的结果。TRGCN在故障模式和退化状态分类方面的平均准确率分别为94.06%和97.10%，这些结果超过了传统图神经网络模型。此外，TRGCN在维护动作预测方面也取得了高准确率：检查为93.4%，小修为93.06%，大修为92.59%，更换为90.9%。通过将知识图谱与图神经网络相结合，本研究克服了预测性维护中的主要限制，同时为维护规划提供了一个可靠且可解释的框架。所提出的框架为改进风力涡轮机及其他复杂系统的决策制定和提升预测性维护奠定了基础。
引言
有效的维护策略对于确保大规模机械系统（如风力涡轮机）的可靠性至关重要。齿轮箱和轴承等部件会随时间逐渐退化，这可能导致系统故障并因停机而造成重大经济损失。预测性维护（PdM）通过实时监控机械设备、预测故障并在最佳时间安排维护来应对这些问题。PdM克服了基于时间的维护（TBM）的效率低下和基于状态的维护（CBM）的局限性，特别是解决了诊断精度不足和数据分析能力有限等问题[[1], [2], [3], [4]]。
先进策略在风力涡轮机的PdM中展现了巨大潜力。El-Naggar等人提出了优化维护策略以提高可用性并减少停机时间，而Udo和Muhammad利用SCADA数据实现了早期故障预测并改进了维护规划和可靠性[5,6]。此外，Koukoura等人开发了一个专门针对风力涡轮机齿轮箱的诊断框架。机器学习技术被用来提高诊断精度并促进故障检测，强调了高级分析在风力涡轮机系统PdM中的重要性[7]。
然而，传统的PdM通常只关注单个组件，忽略了严重影响维护决策和故障传播的系统级交互作用。结合图神经网络（GNN）和知识图谱（KG）的先进方法在模拟复杂关系和整合领域知识方面显示出前景。
Junhua等人引入了一种基于注意力的关系图卷积网络（RGCN），利用KG推理来增强对节点间关系的理解[8]。Li等人和Bachhofner等人展示了KG在维护决策和过程优化中的应用[9,10]。Feng等人开发了一个多变量时间序列图神经网络（MTGNN）框架，该框架整合了显式和隐式知识融合，用于风力涡轮机的根本原因定位，增强了故障传播分析和异常检测，而Yang等人利用GNN高精度预测了轴承的剩余使用寿命[11,12]。Xia等人和Yan等人结合了KG和GNN进行维护规划，并优化了策略以减少停机时间并改进决策过程[13,14]。Lin等人引入了一种知识引导的时空模型（KGSTM），结合了多图卷积网络（MGCN）和门控循环单元（GRU），用于检测和隔离核电站传感器中的故障，确保精确监控和安全性。此外，Chen等人提出了MAD-STA，这是一种使用图注意力网络（GAT）的自监督异常检测框架，用于捕捉多变量KPI相关性，提高检测精度并增强大规模集群环境中的模型可解释性。Wang等人进一步通过整合时频域特征扩展了时空图学习[[15], [16], [17]]。表1提供了现有预测性维护方法的比较概览，突出了它们各自的优点、局限性和应用领域。
尽管取得了这些进展，但仍存在以下限制：
1) 仅关注单个组件，而非系统级交互作用。2) 无法同时预测故障模式和严重程度。3) 缺乏用于最佳维护决策的集成策略。为了解决这些挑战，本研究提出了一种基于GNN的预测性维护（GNNPM）算法。图1展示了所提出的方法论，它包含三个主要组成部分。第一个组成部分是数据生成，专注于创建能够捕捉风力涡轮机传动系统运行和退化特征的数据集。该过程通过在不同风条件下模拟传动系统的行为来开始，以获取扭矩、旋转速度和系统动力学等关键变量。随后，从三级齿轮箱获取振动数据。接着，注入轴承故障频率以模拟特定的故障条件。最后，生成退化时间序列数据以模拟故障演变并评估退化进程。
第二个组成部分是领域知识，通过结合系统级洞察和故障分析来增强故障诊断。该方法应用故障模式与效应分析（FMEA）来识别易发生故障的关键传动系统组件，并评估这些故障对系统可靠性的影响。然后通过结合故障进展信息和模拟的维护动作（如更换和修理）生成维护时间序列数据，以评估其对系统性能的影响。
第三个组成部分是GNNPM的实现。构建了一个维护知识图谱（maintenance KG），以表示故障、退化状态和维护动作之间的关系，为分析系统内的交互作用提供了基础。时域关系图卷积网络（TRGCN）用于学习KG中的时间和关系模式，从而能够准确预测故障进展并确定合适的维护动作。GNNPM框架执行多标签节点分类，同时预测故障模式和严重程度，提供关于系统当前状态的详细信息。此外，链接预测评估故障节点与维护节点之间的关系，以推荐每种故障状态最有效的维护策略。
本研究的主要贡献如下：
1) 本研究开发了一个强大的数据生成框架，整合了传动系统建模、振动数据采集和退化时间序列仿真。通过结合特定的故障频率和时间故障演变，该方法能够创建真实的数据集。2) 该方法利用FMEA来识别关键组件并评估潜在故障的影响，从而增强我们对系统级交互作用和脆弱性的理解。通过生成结合故障进展和模拟维护动作的维护时间序列数据，本研究提供了关于各种维护策略如何随时间影响系统可靠性和性能的真实评估。3) 所提出的GNNPM框架引入了TRGCN的新用途，用于在维护KG中模拟复杂的时间和关系模式。该框架实现了多标签节点分类，同时预测故障模式和严重程度，并进行链接预测以获得最佳维护策略。本研究通过系统级维护建模、将KG与TRGCN相结合以及多领域预测，引入了一种改进的PdM范式。分析风力涡轮机齿轮箱内的复杂交互作用不仅提高了维护策略设计的精度，还提供了成本效益高且高效的维护解决方案。GNNPM旨在超越简单的故障预防，通过支持维护决策制定并增强整个系统的可靠性和运行效率。
本文的其余部分组织如下：第2节讨论风力涡轮机齿轮箱建模。第3节解释了风力涡轮机齿轮箱振动数据的生成。第4节描述了GNNPM算法，包括KG和TRGCN的构建。第5节展示了GNNPM结果的验证和分析。最后，第6节总结了研究结果并提出了未来的研究方向。
章节摘录
风力涡轮机传动系统的仿真
风力涡轮机的传动系统使用数学建模和仿真工具设计，以确保高效的能量转换和稳定运行。图2展示了风力涡轮机传动系统的整体结构和组件。在本研究中，系统地分析了风力涡轮机的关键组件（如转子、齿轮箱、传动系统和发电机）之间的交互作用，并使用AMESim实现了仿真模型。
风力涡轮机的振动数据生成
本研究专注于生成和分析风力涡轮机传动系统和齿轮箱的振动及维护数据，以提出故障预测和最佳维护策略。首先，进行了FMEA，系统地评估了关键组件的故障模式及其对系统性能的影响，从而识别出故障可能性较高的组件[25,26]。其次，模拟了三级齿轮箱的径向加速度振动数据。
提出的图神经网络预测性维护（GNNPM）方法
本研究提出了一种GNNPM模型，用于诊断故障并推荐风力涡轮机的最佳维护策略。GNNPM通过利用故障数据和维护历史来制定系统化的维护策略，克服了现有维护策略（如TBM和CBM）的局限性。
GNNPM模型的核心在于利用风力涡轮机的KG，该KG整合了多领域数据，并定量模拟了故障状态之间的关系。
结果与讨论
本节介绍了将GNNPM框架应用于风力涡轮机系统进行故障诊断和维护优化的实施和结果。振动数据来自AMESim中的三级齿轮箱仿真。数据集包括关键故障模式的故障频率，并代表了故障随时间的进展。每个数据点都包含了反映正常和故障运行状态的特征，使模型能够学习复杂模式。
结论
本研究开发了一种GNNPM算法，用于诊断风力涡轮机中的故障，并推荐了最佳维护策略。通过利用AMESim风力涡轮机模型的仿真数据，构建了风力涡轮机的KG，系统地模拟了故障状态与维护动作之间的复杂关系。在本研究中，使用TRGCN从时间序列数据中有效学习，并定量评估了维护前后的系统状态。
CRediT作者贡献声明
金洪硕：撰写——原始草稿、验证、软件、资源、方法论、形式分析、数据整理。李钟秀：撰写——原始草稿、验证、监督、项目管理、方法论、资金获取、形式分析、数据整理、概念化。
利益冲突声明
作者声明他们没有可能影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了韩国国家研究基金会（授权号2022R1A2C2011034）的支持。
