融合InceptionV1-CBAM-CNN的轴承剩余寿命预测模型

作者：余江鸿; 彭雄露; 刘涛; 杨文; 叶帅

来源：机电工程, 2023, 1-9.

• 滚动轴承
• 剩余使用寿命
• Inception V1模块
• 卷积注意力机制模块
• 卷积神经网络
• 全局最大池化
• 批量归一化

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题，提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先，在CNN中添加了CBAM机制，并进行了加权处理，在通道和空间维度对重要特征进行了强化，对次要特征进行了抑制，通过添加改进的InceptionV1模块，提高了CNN通道间信息交互水平，全面提取了退化特征；然后，进行了网络优化，采用全局最大池化(GMP)方法对模型进行了简化，采用Dropout和批量归一化(GMP)方法，避免了过拟合，提高了精度，且克服了训练时出现的梯度消失问题；最后，对数据进行了处理，将降噪后的信号重组为三维张量，将其作为HI，构建了退化标签，引入了评价指标，采用PHM2012轴承数据集进行了实验验证，在3种工况下将其与深度学习方法(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明：该方法在变负载条件下的平均RMSE为0.033，较其他方法的RMSE值分别降低了86%、78%和69%，在预测精度和泛化能力方面具有明显优势。

• 单位
  湖南工业大学; 湖南铁道职业技术学院