科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network， RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练残差卷积网络提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。分析结果表明，对于运行条件复杂和故障模式多变的多维监测数据，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。
- 单位
