科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有滚动轴承剩余使用寿命（RUL）预测方法存在的特征提取能力单一、无法充分利用数据中蕴含的时空信息等问题，提出了一种基于自注意力卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的RUL预测方法。该方法首先将振动信号的不同时域指标输入改进的自注意力CNN模块，用于提取不同指标间的空间特征信息并进行自注意力加权以强化特征提取效果；其次，BiLSTM层用于提取时序数据中的退化特征信息，经过全连接层后输出轴承的RUL预测值。使用FEMTO-ST滚动轴承数据集，在不同的运行工况下对提出方法进行实验验证。结果表明，相比CNN、BiLSTM和CNN-BiLSTM模型，提出方法的RUL预测误差更低、Score指标更高，说明CNN和BiLSTM的融合和自注意力机制的应用使模型的预测精度提高且更倾向于进行超前预测、有利于开展预测性维修。
- 单位
