科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题，提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题，提出CSPA结构对输入数据进行处理，大幅度减少内存占用，提升计算效率的同时提高计算精度。因此，将CSPA替换原Informer模型中的self-attention结构，提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影，并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比，其MAE、MSE和RMSE分别提升了21%、32%和17%以上，验证了该方法在滚动轴承剩余寿命预测方面的有效性。
- 单位
