基于注意力机制和残差深度分离卷积的RUL预测方法

传统机械设备剩余使用寿命(RUL)预测方法需进行多源数据融合、建立健康指标等人工干预过程，预测精度受限于健康指标对设备退化过程的表征能力。为实现端对端的RUL预测并提升预测精度，提出了一种基于注意力机制和残差深度分离卷积网络相结合的RUL方法，并采用C MAPSS航空发动机仿真数据集检验方法的有效性。采用滑动窗从发动机多源状态参数中截取多元序列作为表征发动机状态的样本，并基于一维可分离卷积网络建立RUL预测模型，为提升模型的预测精度在网络中引入了注意力机制和残差网络。最终所提方法对C MAPSS 4个测试集的均方根误差均值分别为1128、1412、1157和1561，且对发动机在运行期间的RUL预测也具有良好的泛化能力。通过与多种RUL预测方法的结果相比较，表明所提方法对4个测试集的整体预测精度均较高，是一种有效的机械设备RUL预测方法，并可用于设备的早期故障预警。     

基于ELM-AE的轴承性能退化和早期故障检测

为准确描述轴承性能退化过程并实现轴承早期故障检测，提出了一种基于极限学习机自编码器的无监督构建健康指标的方法。利用轴承健康状态的样本训练极限学习机自编码器并实现在线样本数据的重构，由于轴承偏离健康状态时会导致输入与输出的重构误差增大，因此将重构数据与原始数据之间的损失作为反映轴承性能退化的健康指标。试验结果表明，该指标能够有效反映轴承性能退化趋势，对轴承早期故障比较敏感，利用滑动t检验可以准确获得健康指标首次发生突变的时间，可用于轴承的智能化早期故障预警。