基于局部时空图卷积网络的压缩机健康状态定量评估新方法

针对压缩机健康状态定量评估方法匮乏的问题，研究人员提出了一种融合局部时空关系与移动图卷积网络（LSTC-GCN）的创新模型。该方法通过构建时空图结构分解长时序数据，结合注意力池化实现特征优化，在压缩机模拟数据中取得召回率87.1%、准确率92.4%的优异性能，为工业设备智能运维提供了可靠技术支撑。

　　

论文解读

在工业设备智能化浪潮中，压缩机作为能源转换的核心部件，其健康状态直接关乎整个系统的安全运行。然而当前研究多聚焦于故障诊断和性能监测，对于量化评估压缩机"亚健康"状态仍存在显著空白。更棘手的是，压缩机多源传感器产生的温度、压力等参数具有复杂的时空耦合特性，传统方法难以捕捉其非线性关联。这种技术瓶颈导致设备运维长期依赖经验阈值，无法实现精准的寿命预测和预防性维护。

针对这一挑战，中国国家重大科技专项支持的研究团队在《Engineering Applications of Artificial Intelligence》发表突破性成果。研究人员创新性地将图神经网络（Graph Neural Network, GNN）引入工业领域，开发了局部时空卷积移动图卷积网络（LSTC-GCN）。该模型通过三个关键技术突破：首先构建包含时间连接的时空图结构，将长序列分解为局部时空关系；其次设计移动卷积单元提取高阶特征；最后采用注意力池化（attention pooling）实现特征浓缩。在轴向压缩机模拟数据验证中，模型以效率作为健康因子（health factor），实现了F1-score 85.9%、在线评估稳定性达92.4%的优异表现。

研究结果

健康状态评估定义
通过建立"健康标准-评估模型-实时监测"三阶段框架，首次将压缩机健康度量化为可计算的数学问题。选择效率作为核心指标，将健康状态划分为5个等级，为定量评估奠定基础。

时空卷积健康评估模型
提出的LSTC-GCN模型创新性地采用滑动时间窗（50×N维度输入）处理数据，通过三层时空卷积（通道数128-128-64）提取特征。特别设计的图卷积单元能有效捕捉参数间非线性耦合关系，注意力池化层则解决了数据连续性和不平衡问题。

数据与健康度划分
基于三阶轴向压缩机盐雾污染、磨损等实际退化场景构建数据集。研究发现当监测参数从15个降至8个时，模型准确率仅下降2.3%，证实其强鲁棒性。

结果分析
在最优超参数下（时间切片数5、池化率0.5），模型各项指标显著优于传统LSTM和CNN方法。消融实验显示时空卷积结构对性能提升贡献率达34.7%，验证了局部时空关系建模的有效性。

结论与展望

该研究首次实现了压缩机健康状态的端到端量化评估，其核心价值体现在三方面：技术上，LSTC-GCN模型为处理工业设备时空耦合数据提供了新范式；应用上，在线评估稳定性为智能运维系统开发铺平道路；方法论上，构建的健康评估框架可扩展至涡轮机、泵类等旋转机械。研究团队Kanru Cheng等人特别指出，该方法对传感器数量变化的强适应性（sensor-agnostic特性）大幅降低了工业部署成本。未来通过融合物理模型先验知识，有望在航空发动机等高端装备领域实现更精准的健康预测。这项突破标志着工业设备健康管理从"故障后处理"正式迈入"状态预判"的新纪元。