针对现有小子样高可靠性装备剩余寿命预测方法精度较低、预测泛化性较差等不足，提出了一种基于高阶邻域聚合图卷积神经网络和双向门控单元联合训练的装备剩余寿命评估方法。该方法将公开的大样本数据集和装备关键部件测试数据等小子样本信息构建为属性图，整合不同阶邻居信息，捕获装备采样信息间的高阶关联特征，再使用双向门控单元进行寿命预测，并通过预训练-微调的联合训练策略提升模型泛化能力。提升了装备剩余寿命预测的精度，提升了不同场景下的寿命预测的泛化性，并通过仿真实验和消融实验证明了方法各个模块的必要性。与其他经典方法相比，该方法预测的准确性和稳健性均有显著提升。有效利用了公开数据集和装备小子样数据之间的关联信息，为复杂装备系统的剩余寿命预测评估提供了一种新的解决方案。
