2023, 37(1): 96-104.
doi: 10.12299/jsues.21-0244
摘要:
滚动轴承的剩余使用寿命(Remaining Useful Life,RUL)预测对于旋转机械的运行和维护具有重要意义. 以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法虽然可以从轴承振动信号中自动提取特征,却不能对特征进行自适应的选择以提高模型对重要特征的关注程度. 针对上述问题,提出一种基于CNN和注意力双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的轴承RUL预测方法. 首先通过CNN对振动信号进行空间特征提取;然后利用BiLSTM提取时序特征;接着利用注意力机制增强模型对重要特征的关注程度,并以全连接层作为解码器预测健康指标(Health Indicator,HI);最后利用加权平均法对HI预测值进行修正,并利用多项式拟合曲线进行RUL预测. 结果表明, 所提方法的绝对百分比误差比卷积长短期记忆网络(CNN-LSTM)低14.36%,比传统的自组织映射网络(SOM)低21.28%,可用于多故障模式下的RUL预测.