基于卷积注意力长短时记忆网络的轴承寿命预测方法

传统的滚动轴承寿命预测方法缺乏明确的学习机制,无法有效识别不同时序特征之间的差异并突出重要特征,影响其预测精度.为克服上述缺点,本文提出了一种基于卷积注意力长短时记忆网络(CAN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为卷积注意力网络(CAN),学习通道和时间维度中的深层故障特征,提高特征的表征能力;后端为改进LSTM网络,基于退化特征对轴承进行寿命预测.归一化健康指标至[0,1]区间内,得到相同的失效阈值;使用五点平滑法对预测结果进行处理,实现预测结果的输出;利用留一法对轴承全寿命试验数据进行验证,测试模型的准确性和适应性.试验结果表明:所提模型的平均均方根误差和平均...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 40; no. 6; pp. 1140 - 1148
Main Authors 周建民, 高森, 李家辉, 熊文豪, 王云庆
Format Journal Article
LanguageChinese
Published 华东交通大学载运工具与装备教育部重点实验室,江西南昌330013%轨道交通基础设施性能监测与保障国家重点实验室,江西南昌330013 01.06.2023
Subjects
长短时记忆网络
long-short term memory network
bearing
convolution attention network
remaining useful life prediction
轴承
剩余使用寿命预测
卷积注意力网络
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2022.10870

Cover

More Information
Summary:传统的滚动轴承寿命预测方法缺乏明确的学习机制,无法有效识别不同时序特征之间的差异并突出重要特征,影响其预测精度.为克服上述缺点,本文提出了一种基于卷积注意力长短时记忆网络(CAN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为卷积注意力网络(CAN),学习通道和时间维度中的深层故障特征,提高特征的表征能力;后端为改进LSTM网络,基于退化特征对轴承进行寿命预测.归一化健康指标至[0,1]区间内,得到相同的失效阈值;使用五点平滑法对预测结果进行处理,实现预测结果的输出;利用留一法对轴承全寿命试验数据进行验证,测试模型的准确性和适应性.试验结果表明:所提模型的平均均方根误差和平均绝对值误差比仅用CNN模型预测值低54.12％和59.05％,比仅用LSTM模型预测值低39.06％和43.42％,比卷积长短时记忆网络(CNN-LSTM)低20.41％和25.86％.
ISSN:1000-8152
DOI:10.7641/CTA.2022.10870