摘要
在预测与健康管理（PHM）领域，深度学习方法凭借其强大的数据拟合能力，展现了卓越的剩余使用寿命（RUL）预测性能。然而，此类方法通常需要大量的故障历史数据进行训练，但对于工业设备而言，其全生命周期数据往往不足，且在故障发生前通常会进行有效的维修或更换。一方面，这些中断历史数据无法被传统深度学习方法直接使用，导致部分退化信息的丢失。另一方面，工业设备的内部结构和特征类型复杂多样，传统方法使用欧几里得空间表示相关数据，忽略了特征之间的相关性。因此，我们提出了一种结合对抗学习、图神经网络和半监督训练的半监督对抗图预测（SAGP）框架，利用故障和中断历史数据进行RUL预测。基于图神经网络，SAGP通过将退化数据以图的形式表示并设置多目标函数，能够有效获取故障和中断历史中的退化信息。通过半监督学习，SAGP寻找与当前状态相似的故障和中断历史，并通过对抗训练生成模拟数据，以提高模型的鲁棒性，最终实现RUL预测。我们使用工具、发动机和轴承数据集验证了SAGP模型的准确性和可靠性。
