基于輕量化圖卷積的裝甲車輛底盤發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測研究

李英順，孟享廣，姚兆，劉海洋，陶學(xué)新

(1.北京石油化工學(xué)院信息工程學(xué)院，北京 102617；2.陸軍裝甲兵學(xué)院士官學(xué)校，吉林 長春 130117；3.沈陽順義科技有限公司，遼寧 沈陽 110000)

裝甲車輛作為陸戰(zhàn)部隊(duì)最為重要的武器裝備之一，其發(fā)展備受關(guān)注。而底盤發(fā)動機(jī)是裝甲車輛動力輸出的核心部件，其性能表現(xiàn)很大程度上決定了裝甲車輛整體作戰(zhàn)能力。部隊(duì)作戰(zhàn)需求對發(fā)動機(jī)系統(tǒng)的設(shè)計(jì)、使用和維修等方面提出了很高的要求，所以若能夠?qū)Πl(fā)動機(jī)系統(tǒng)進(jìn)行實(shí)時在線檢測與故障預(yù)測，提前了解發(fā)動機(jī)的健康狀態(tài)，預(yù)測到預(yù)警或故障狀態(tài)時，就可以及時維修，保障裝甲車的作戰(zhàn)能力，從而避免由于發(fā)動機(jī)故障導(dǎo)致的作戰(zhàn)效率下降，還能延長使用壽命。

學(xué)者就發(fā)動機(jī)的故障預(yù)測開展了大量研究工作。文獻(xiàn)[4]提出了一種基于相關(guān)系數(shù)與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，將敏感性好的特征輸入到網(wǎng)絡(luò)，雖然利用粒子群算法(PSO)優(yōu)化了網(wǎng)絡(luò)參數(shù)，但是并不能針對不明顯的特征數(shù)據(jù)進(jìn)行有效預(yù)測。文獻(xiàn)[5]基于循環(huán)門單元算法(GRU)對柴油發(fā)電機(jī)組做故障預(yù)測，并有試驗(yàn)例證提高了設(shè)備的運(yùn)行效率和使用壽命，但是GRU算法參數(shù)量較多，存在過擬合的風(fēng)險。文獻(xiàn)[6]針對風(fēng)機(jī)機(jī)組的故障高發(fā)部分，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，根據(jù)溫度參數(shù)進(jìn)行故障預(yù)測，試驗(yàn)誤差控制較好，但BP網(wǎng)絡(luò)處理非線性問題能力相對不足，并不適用于風(fēng)機(jī)運(yùn)行時間較長的情況。文獻(xiàn)[7]提出采用模糊聚類理論對航空發(fā)動機(jī)的實(shí)時數(shù)據(jù)及歷史數(shù)據(jù)進(jìn)行聚類，并提出故障預(yù)測的數(shù)據(jù)挖掘模型，能有效地做出檢測，但該算法并不能保證找到問題的最優(yōu)解，甚至可能收斂到局部極值點(diǎn)，而且時間復(fù)雜度大，很難處理大規(guī)模數(shù)據(jù)。文獻(xiàn)[8]引入遺傳算法，優(yōu)化了灰色模型，能有效地預(yù)測柴油機(jī)的故障形式，但對于不同時間序列的狀態(tài)參數(shù)，該方法的預(yù)測精度有待提高。文獻(xiàn)[9]采用概率神經(jīng)網(wǎng)絡(luò)對柴油機(jī)進(jìn)行故障預(yù)測，相比于BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果更出色，在故障判別預(yù)測中具有一定的均衡性。文獻(xiàn)[10]中自行火炮故障預(yù)測模型是基于貝葉斯分類決策建立的，相比于傳統(tǒng)預(yù)測模型結(jié)果準(zhǔn)確率更高，但其預(yù)測效率仍不高。

傳統(tǒng)的發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測方法沒有充分利用各個特征之間的數(shù)據(jù)關(guān)系，而是將影響發(fā)動機(jī)運(yùn)行狀態(tài)的特征并行輸入至決策模型，得到狀態(tài)預(yù)測結(jié)果。這種方法在特征之間數(shù)據(jù)結(jié)構(gòu)清晰、相關(guān)性小的情況下可能會得到好的結(jié)果。然而，一般情況下影響發(fā)動機(jī)運(yùn)行狀態(tài)的特征之間相互關(guān)聯(lián)、相互影響，因此，提出一種充分利用特征間的數(shù)據(jù)關(guān)系而進(jìn)行運(yùn)行狀態(tài)預(yù)測的智能方法至關(guān)重要。

同時，傳統(tǒng)的特征處理方法一般選擇去相關(guān)性的主成分分析(PCA)、線性判別分析(LDA)等，然后獲得處理后的特征集再進(jìn)行運(yùn)行狀態(tài)的預(yù)測結(jié)果。這種方法是將特征處理和狀態(tài)預(yù)測兩個過程獨(dú)立進(jìn)行，算法的集成度不高。

圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)是深度學(xué)習(xí)領(lǐng)域的一種利用特征間數(shù)據(jù)結(jié)構(gòu)進(jìn)行模式預(yù)測的方法，它用來處理數(shù)據(jù)間存在的非歐距離關(guān)系，通過量化數(shù)據(jù)結(jié)構(gòu)進(jìn)而挖掘特征間的隱含關(guān)系，并以卷積計(jì)算為數(shù)據(jù)挖掘基礎(chǔ)，以全連接層反向傳播的并行處理機(jī)制實(shí)現(xiàn)輸入特征數(shù)據(jù)的模式識別。目前，圖卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛地應(yīng)用在行為識別、故障診斷、圖像辨識、情感檢測等領(lǐng)域。然而，GCN在計(jì)算過程中存在參數(shù)量大、計(jì)算復(fù)雜度高的缺點(diǎn)，要想充分訓(xùn)練GCN網(wǎng)絡(luò)，需要一定的樣本數(shù)量。但是在裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測過程中，獲取大量故障數(shù)據(jù)實(shí)際上是困難的，長時間的故障模擬會損害發(fā)動機(jī)的使用壽命。因此，應(yīng)利用參數(shù)量小、計(jì)算復(fù)雜度低的GCN網(wǎng)絡(luò)來實(shí)現(xiàn)裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測。鑒于此，本研究提出了一種影響裝甲車發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測方法：

1)利用圖卷積神經(jīng)網(wǎng)絡(luò)將特征處理和狀態(tài)預(yù)測兩個過程集成，簡化發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測過程；

2)利用皮爾遜相關(guān)系數(shù)來量化影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征間的數(shù)據(jù)關(guān)系，并構(gòu)建圖拉普拉斯矩陣；

3)引入切比雪夫多項(xiàng)式來代替GCN的圖卷積核來減少圖卷積過程的參數(shù)量及計(jì)算復(fù)雜度，并利用貪婪規(guī)則結(jié)合最大池化方式進(jìn)行圖池化計(jì)算。

利用該輕量化的圖卷積神經(jīng)網(wǎng)絡(luò)(LGCN)來實(shí)現(xiàn)裝甲車底盤發(fā)動機(jī)的運(yùn)行狀態(tài)預(yù)測，以期為提前了解發(fā)動機(jī)的健康狀態(tài)、保障裝甲車的作戰(zhàn)能力、延長使用壽命提供有效方法。

1 發(fā)動機(jī)運(yùn)行狀態(tài)數(shù)據(jù)獲取

選用某型裝甲車輛底盤發(fā)動機(jī)作為研究對象，發(fā)動機(jī)的技術(shù)參數(shù)見表1。基于集成油液傳感器系統(tǒng)實(shí)現(xiàn)裝甲車輛發(fā)動機(jī)潤滑油理化指標(biāo)的在線監(jiān)測，系統(tǒng)部署在底盤發(fā)動機(jī)上，安裝的六合一傳感器可以采集到溫度、水活性、混水(介電常數(shù))、黏度、密度及磨粒等信息。發(fā)動機(jī)上的集成油液傳感器通過 RS485 總線與采集盒相連，采集盒將各傳感器采集的油液信息進(jìn)行處理后上傳至 CAN 總線，供給車載軟件使用。圖1示出發(fā)動機(jī)運(yùn)行狀態(tài)數(shù)據(jù)獲取的硬件系統(tǒng)結(jié)構(gòu)。

表1 底盤發(fā)動機(jī)的技術(shù)參數(shù)

圖1 硬件系統(tǒng)結(jié)構(gòu)

在對發(fā)動機(jī)狀態(tài)數(shù)據(jù)進(jìn)行獲取中，對于正常運(yùn)行狀態(tài)每1 min采集一組數(shù)據(jù)，分6天進(jìn)行采集，每天采集1 h，共計(jì)獲得360組正常運(yùn)行的數(shù)據(jù)。然后，進(jìn)行了發(fā)動機(jī)故障模擬，模擬方法為在不損害發(fā)動機(jī)的前提下停止了潤滑油系統(tǒng)過濾器的工作，分4天進(jìn)行采集，每天采集30 min，共計(jì)獲得120組故障運(yùn)行數(shù)據(jù)。

2 發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測方法

2.1 譜域圖卷積

GCN可以劃分為空間域圖卷積和譜域圖卷積。空間域圖卷積根據(jù)空間數(shù)據(jù)結(jié)構(gòu)直接進(jìn)行卷積計(jì)算，具有非常廣泛的適用性。然而空間域圖卷積計(jì)算過程類似于卷積計(jì)算過程，時域的計(jì)算方式不能充分得到特征間的數(shù)據(jù)關(guān)系。而譜域圖卷積將空間域的特征轉(zhuǎn)換為表達(dá)信息更為充分的譜域進(jìn)行特征處理。與空間域的圖卷積相比，在譜域的計(jì)算過程中不涉及特征之間的有向連接，即特征之間的連接沒有方向，使得計(jì)算過程更為簡化有效。

裝甲車輛底盤發(fā)動機(jī)的運(yùn)行狀態(tài)受到溫度、水活性、磨粒、黏度、密度和介電常數(shù)的影響。通過皮爾遜相關(guān)系數(shù)分析可知特征之間存在明顯的相關(guān)性，本研究利用相關(guān)性數(shù)值來量化特征間的數(shù)據(jù)結(jié)構(gòu)。同時，特征間的相關(guān)性是沒有方向的。因此，本研究利用圖卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)裝甲車輛底盤發(fā)動機(jī)運(yùn)行狀態(tài)的智能預(yù)測。譜域圖卷積的具體計(jì)算過程如下。

在GCN中，={,,}表示無向圖。其中為節(jié)點(diǎn)集，為邊集，為鄰接矩陣，它可以表示節(jié)點(diǎn)之間的量化連接關(guān)系。特征圖的結(jié)構(gòu)可以利用拉普拉斯矩陣表示，圖2示出圖卷積過程中拉普拉斯矩陣的計(jì)算過程。圖中共包含4個節(jié)點(diǎn)，各個節(jié)點(diǎn)之間的連接通過連接線確定，度矩陣表示該節(jié)點(diǎn)與幾個節(jié)點(diǎn)相連，鄰接矩陣表示該節(jié)點(diǎn)與其他節(jié)點(diǎn)的連接關(guān)系，拉普拉斯矩陣為度矩陣減去鄰接矩陣的結(jié)果。以第一個節(jié)點(diǎn)為例，它與第二、第三和第四個節(jié)點(diǎn)相連，因此，度矩陣的第一個對角元素為3，鄰接矩陣第一行的第二、第三和第四列的元素均為1。

圖2 圖卷積中拉普拉斯矩陣計(jì)算過程

通過圖2的分析，拉普拉斯矩陣可以表示為

=-。

(1)

其中表示度矩陣，第個元素可計(jì)算為

(2)

在譜域空間的無向圖結(jié)構(gòu)中，=。是一個半正定矩陣，它通過譜分解獲得：

(3)

==。

(4)

圖上的傅里葉變換將空域信號轉(zhuǎn)換為用于卷積計(jì)算的譜域，然后將其轉(zhuǎn)換回空域。圖上的信號轉(zhuǎn)換為譜域，可表示為

(5)

信號的傅里葉逆變換為

(6)

因此，圖卷積可以表示為

*=(()⊙())=

(()⊙())=

(7)

式中：*為圖卷積;⊙為哈達(dá)瑪積；為卷積核。設(shè)

()=diag()。

(8)

最后，圖卷積的形式可以轉(zhuǎn)換為

*=g()。

(9)

在譜域的圖卷積計(jì)算過程中，可學(xué)習(xí)的卷積參數(shù)可以表示為

(10)

2.2 譜域圖卷積的輕量化方法

2.2.1 圖卷積計(jì)算

然而，在譜域GCN的計(jì)算過程中，特征分解過程涉及較高的計(jì)算復(fù)雜度。通過式(3)可以看出，特征分解的卷積參數(shù)量和圖節(jié)點(diǎn)數(shù)的數(shù)量相同。同時，仍然需要和傅里葉基相乘，通過式(3)可以看出，譜域GCN計(jì)算的復(fù)雜度是()。因此，本研究在處理由溫度、水活性、磨粒、黏度、密度和介電常數(shù)構(gòu)成的特征圖結(jié)構(gòu)中，采用切比雪夫多項(xiàng)式來減少參數(shù)量和計(jì)算復(fù)雜度。

首先，采用一個多項(xiàng)式來代替卷積核：

(11)

其中代表多項(xiàng)式的最高階，為了減少參數(shù)量，小于，這可以使圖卷積核的卷積參數(shù)量從減到。然而，因?yàn)檩斎胄盘栃枰艘?span id="g0gggggg" class="emphasis_italic">，圖卷積運(yùn)算的計(jì)算復(fù)雜程度仍然是()。因此，本研究采用了切比雪夫多項(xiàng)式來代替圖卷積核，圖卷積核可以表示為

(12)

()=；

()=；

()=2T-1()--2()。

(13)

多項(xiàng)式擬合后，卷積計(jì)算可以表達(dá)為

*=g()=

(14)

2.2.2 圖池化計(jì)算

圖池化的計(jì)算是在圖卷積的過程中減少特征的冗余信息，同時，圖池化過程的參與可以使得GCN的結(jié)構(gòu)清晰。圖快速池化的具體過程如下：

1)在經(jīng)過圖卷積計(jì)算后，基于貪婪規(guī)則計(jì)算各個特征節(jié)點(diǎn)最匹配的節(jié)點(diǎn)用于計(jì)算每個節(jié)點(diǎn)最匹配的節(jié)點(diǎn)；

2)為了確保池化過程采用完整的二叉樹類型，假節(jié)點(diǎn)被添加，并且這個值是所有節(jié)點(diǎn)的中位數(shù)；

3)對節(jié)點(diǎn)進(jìn)行排序，然后對每對節(jié)點(diǎn)進(jìn)行最大池化。

結(jié)合切比雪夫多項(xiàng)式的圖卷積核計(jì)算，以及圖快速池化的數(shù)據(jù)壓縮方法，本研究提出了用于裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測的LGCN。

2.3 影響發(fā)動機(jī)運(yùn)行狀態(tài)的特征相關(guān)性量化

裝甲車輛底盤發(fā)動機(jī)的運(yùn)行狀態(tài)受溫度、水活性、磨粒、黏度、密度和介電常數(shù)的影響。譜域GCN需要計(jì)算拉普拉斯矩陣來表示圖結(jié)構(gòu)。圖2示出傳統(tǒng)的拉普拉斯矩陣的計(jì)算過程。要得到拉普拉斯矩陣，需要計(jì)算鄰接矩陣。度矩陣通過式(2)求解，而拉普拉斯矩陣通過式(1)求解。本研究利用皮爾遜相關(guān)系數(shù)(PCC)來量化特征間的數(shù)據(jù)結(jié)構(gòu)，即鄰接矩陣中的元素替換為特征之間的PCC值，并用它來表示影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征之間的關(guān)系。因此，提出了一種基于PCC的拉普拉斯矩陣計(jì)算方法，PCC計(jì)算公式如下：

(15)

式中：和分別代表特征值。具體的連接形式表達(dá)如下：

={,,}。

(16)

(17)

式中：為影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征，為特征之間的連接矩陣。圖3示出基于PCC值對影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征量化結(jié)果。

圖3 影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征量化結(jié)果

3 預(yù)測結(jié)果分析

3.1 LGCN超參數(shù)

正常運(yùn)行包含360組數(shù)據(jù)，故障運(yùn)行包含120組數(shù)據(jù)。每種運(yùn)行狀態(tài)隨機(jī)取80%數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為測試集。訓(xùn)練集用來建立LGCN的預(yù)測模型，測試集來檢驗(yàn)?zāi)Ｐ偷男阅堋Ｔ贚GCN中，預(yù)調(diào)整后的超參數(shù)如下：選擇學(xué)習(xí)率為0.01的Adam優(yōu)化器更新權(quán)重、偏差和圖參數(shù)，批量大小為50，迭代次數(shù)為100，非線性ReLU激活函數(shù)用于圖卷積層，并應(yīng)用批量歸一化(BN)以保持相同的參數(shù)分布，將Softmax函數(shù)應(yīng)用于全連接層進(jìn)行分類。包含2正則化項(xiàng)的損失函數(shù)如下式所示，正則化系數(shù)為0.01。

(18)

3.2 基于圖卷積方法的發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測分析

表2示出不同的輕量化圖卷積結(jié)構(gòu)對裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測結(jié)果，同時也顯示了圖卷積層和池化層的結(jié)構(gòu)設(shè)計(jì)及圖池化核個數(shù)的設(shè)定。在圖卷積核個數(shù)的設(shè)計(jì)過程中，發(fā)現(xiàn)隨著網(wǎng)絡(luò)結(jié)構(gòu)的加深，卷積核個數(shù)成倍增加有利于提升網(wǎng)絡(luò)的預(yù)測性能。在沒有加入池化層時，整體的預(yù)測準(zhǔn)確率在91.51%～95.98%之間，1分?jǐn)?shù)在89.02%～94.67%之間，3個圖卷積層的網(wǎng)絡(luò)結(jié)構(gòu)獲得了最佳的預(yù)測準(zhǔn)確率和1分?jǐn)?shù)。在加入池化層后，整體的預(yù)測性能有較為明顯的提升，這說明池化層減少了特征的冗余信息。整體的預(yù)測準(zhǔn)確率在97.50%～98.75%之間，1分?jǐn)?shù)在96.67%～98.31%之間。同時，分類穩(wěn)定性也明顯提升。最終，包含3個圖卷積層和池化層的輕量化圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)獲得了最佳的預(yù)測準(zhǔn)確率，為98.75%，1分?jǐn)?shù)為98.31%。圖4示出在最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)下預(yù)測準(zhǔn)確率隨著迭代次數(shù)增加的變化曲線。

表2 不同輕量化圖卷積結(jié)構(gòu)對分類性能的影響

圖4 裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測準(zhǔn)確率變化曲線

3.3 多模式識別預(yù)測結(jié)果分析

為了證明LGCN的網(wǎng)絡(luò)分類性能，和傳統(tǒng)的GCN進(jìn)行了對比，同時還對傳統(tǒng)的特征分類框架(特征處理+模式識別)下的性能進(jìn)行綜合分析。在傳統(tǒng)特征處理方法上，選取PCA、核主成分分析(KPCA)、LDA、核線性判別分析(KLDA)4種去相關(guān)性的特征處理方法對影響裝甲車發(fā)動機(jī)運(yùn)行狀態(tài)的特征進(jìn)行處理，并利用分類性能優(yōu)異的支持向量機(jī)(SVM)、隨機(jī)森林(RF)和極限學(xué)習(xí)機(jī)(ELM)對原始特征集和特征處理后形成的特征集進(jìn)行裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測分析。在3種分類模型中，經(jīng)過模型最優(yōu)訓(xùn)練后，同樣取20次計(jì)算的平均值和標(biāo)準(zhǔn)差作為最終的評價結(jié)果。

基于皮爾遜相關(guān)系分析圖得知，影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征之間存在明顯的相關(guān)性。此時，傳統(tǒng)的特征處理方法先要去除特征之間的相關(guān)性，然后利用去相關(guān)性后得到的特征集進(jìn)行運(yùn)行狀態(tài)的預(yù)測。在KPCA和KLDA中，首先利用核函數(shù)將低維數(shù)據(jù)映射到高維空間，再利用PCA和LDA進(jìn)行特征處理。在映射過程中，經(jīng)過參數(shù)預(yù)調(diào)節(jié)，取核函數(shù)參數(shù)為50時得到的最佳特征處理效果進(jìn)行分析。在利用4種方法進(jìn)行特征處理時，取處理后累計(jì)特征貢獻(xiàn)率達(dá)90%以上的處理主成分形成的特征集用于后續(xù)的模式分類。

圖5a示出利用PCA處理后的二維可視化圖，可以明顯看出，正常運(yùn)行和故障運(yùn)行的兩種狀態(tài)在二維平面的降維效果重疊樣本較多，特征處理效果不明顯，大部分樣本出現(xiàn)了重疊的狀況。圖5b示出利用KPCA處理后的二維可視化圖，可以看出處理效果相比較于PCA明顯提升，僅有很少部分樣本重疊。圖5c示出LDA處理后的二維可視化圖，處理效果明顯優(yōu)于PCA，而且類間間距減小。圖5d示出KLDA處理后的二維可視化圖，在4種特征處理方法中，KLDA的特征處理效果最優(yōu)，發(fā)動機(jī)正常運(yùn)行和故障運(yùn)行的樣本聚類效果明顯，樣本幾乎沒有重疊。

表3和表4示出多模式識別下的預(yù)測性能分析結(jié)果。在傳統(tǒng)的特征處理方法下，KLDA結(jié)合RF獲得了最佳的預(yù)測準(zhǔn)確率，為95.73%，最佳的1分?jǐn)?shù)為94.12%，已經(jīng)較好地實(shí)現(xiàn)了裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測。但GCN和LGCN取得了更好的預(yù)測效果，GCN的預(yù)測準(zhǔn)確率提升了0.57%，LGCN提升了3.02%。GCN的1分?jǐn)?shù)提升了1%，LGCN提升了4.19%。這不僅說明GCN在裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)預(yù)測中取得了比傳統(tǒng)處理方法更好的結(jié)果，也證明了本研究提出的LGCN在GCN基礎(chǔ)上取得了更優(yōu)的預(yù)測效果。

圖5 傳統(tǒng)特征處理方法的二維可視化聚類圖

表3 多模式識別模型的預(yù)測準(zhǔn)確率結(jié)果對比 %

表4 多模式識別模型的預(yù)測F1分?jǐn)?shù)結(jié)果對比 %

4 結(jié)束語

基于PCC量化的影響裝甲車底盤發(fā)動機(jī)運(yùn)行狀態(tài)的特征相關(guān)性表明，特征間存在明顯的相關(guān)性，數(shù)據(jù)內(nèi)部關(guān)聯(lián)明顯。利用提出的LGCN有效實(shí)現(xiàn)了發(fā)動機(jī)運(yùn)行狀態(tài)的預(yù)測，與傳統(tǒng)的狀態(tài)預(yù)測方法相比，LGCN取得了最優(yōu)的預(yù)測效果，預(yù)測準(zhǔn)確率達(dá)到了98.75%，1分?jǐn)?shù)達(dá)到了98.31%。

通過與現(xiàn)階段常用的發(fā)動機(jī)狀態(tài)預(yù)測方法相比，驗(yàn)證了LGCN的有效性。與傳統(tǒng)的預(yù)測方法相比，LGCN高度集成了特征處理和模式預(yù)測的兩個過程，為提前了解發(fā)動機(jī)的健康狀態(tài)、有效保障裝甲車的作戰(zhàn)能力、延長使用壽命提供了有效方法。