结合LSTM和Self-Attention的滚动轴承剩余使用寿命预测方法

作者：黄宇; 冯坤^*; 高俊峰; 李周正; 江志农; 高金吉

来源：振动工程学报, 2023, 36(06): 1744-1753.

DOI：10.16385/j.cnki.issn.1004-4523.2023.06.029

• 剩余使用寿命预测
• 滚动轴承
• 长短期记忆网络
• 自注意力机制
• 包络谱特征

为了构建准确表征滚动轴承退化过程的趋势性健康度指标，提高滚动轴承剩余使用寿命（Remaining Useful Life,RUL）的预测精度，提出了一种结合长短期记忆（Long-ShortTermMemory,LSTM）和自注意力（Self-Attention）机制的神经网络模型（LSTM-SA）用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱，再将包络谱分段并计算对应频段的皮尔逊相关系数，得到具有单调性和趋势性的退化特征；将退化特征归一化处理后作为LSTM-SA模型的输入，并利用LSTM自适应提取退化特征时间上的内部相关性以及Self-Attention对关键信息的筛选，消除无用信息的干扰，挖掘深层次特征，构建健康度指标并得到退化曲线；确定失效阈值，利用最小二乘法拟合退化曲线，预测寿命失效点，实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明，所提出的方法相比于其他文献，平均绝对误差分别降低了43.18%,62.57%和59.44%，平均得分分别提高了10.87%,45.71%和34.21%；在工程实际数据中的实验结果表明，所提出方法的平均预测误差分别比Standard-RNN和CNN方法降低了39.58%和74.86%。

• 单位
  中国石油天然气股份有限公司; 北京化工大学