准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory...准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory,BiLSTM)的性能退化起始点识别和RUL预测方法。首先,通过自编码器(autoencoder,AE)的重构误差(reconstruction error,RE)与最大均值差异(maximum mean discrepancy,MMD)构建的复合损失函数作为轴承健康指标(health indicator,HI),采用阈值超越(peaks over threshold,POT)法与局部均值递增检测法(local mean increase detection,LMID)确定轴承性能退化过程中的退化起始点(degradation start point,DSP)。其次,采用AE提取的特征、MMD、RE以及AE提取特征之间的均方根误差(root mean square error,RMSE)构建多维特征空间;再将多维特征输入到MHA和BiLSTM实现对轴承RUL预测,所采用的多头注意力机制可以动态选择相关度较高的特征进一步提高RUL预测的准确性。最后,采用PHM 2012轴承数据集对所提出的方法进行验证,结果表明所提出的方法相比现有RUL预测方法,不仅能准确地确定性能退化起始点,还具有更高的RUL预测准确性。展开更多
文摘准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory,BiLSTM)的性能退化起始点识别和RUL预测方法。首先,通过自编码器(autoencoder,AE)的重构误差(reconstruction error,RE)与最大均值差异(maximum mean discrepancy,MMD)构建的复合损失函数作为轴承健康指标(health indicator,HI),采用阈值超越(peaks over threshold,POT)法与局部均值递增检测法(local mean increase detection,LMID)确定轴承性能退化过程中的退化起始点(degradation start point,DSP)。其次,采用AE提取的特征、MMD、RE以及AE提取特征之间的均方根误差(root mean square error,RMSE)构建多维特征空间;再将多维特征输入到MHA和BiLSTM实现对轴承RUL预测,所采用的多头注意力机制可以动态选择相关度较高的特征进一步提高RUL预测的准确性。最后,采用PHM 2012轴承数据集对所提出的方法进行验证,结果表明所提出的方法相比现有RUL预测方法,不仅能准确地确定性能退化起始点,还具有更高的RUL预测准确性。
