基于DCNN网络及Self-Attention-BiGRU机制的轴承剩余寿命预测 |
| |
引用本文: | 刘森,刘美,贺银超,韩惠子,孟亚男.基于DCNN网络及Self-Attention-BiGRU机制的轴承剩余寿命预测[J].机电工程,2024(5):786-796. |
| |
作者姓名: | 刘森 刘美 贺银超 韩惠子 孟亚男 |
| |
作者单位: | 1. 吉林化工学院信息与控制工程学院;2. 广东石油化工学院自动化学院;3. 香港理工大学工程学院 |
| |
基金项目: | 国家自然科学基金资助项目(62073091); |
| |
摘 要: | 深度神经网络在剩余寿命预测(RUL)领域得到了广泛的应用。传统的滚动轴承寿命预测模型存在预测精确度较低、鲁棒性较弱的问题。为了进一步提升预测模型的精确度以及鲁棒性,提出了一种融合深度卷积神经网络(DCNN)、双向门控循环单元(BiGRU)以及自注意力机制(Self-Attention)三种模块的滚动轴承剩余使用寿命预测模型。首先,利用DCNN网络对原始振动信号的时域特征、频域特征进行了提取;然后,使用不确定量化的方法对提取到的特征进行了评价和筛选,利用筛选过后的特征构建了新的替代特征集;最后,利用Self-Attention-BiGRU网络对轴承的剩余使用寿命进行了预测,并在IEEE PHM2012数据集上进行了验证。实验结果表明:相较于BiGRU、GRU和BiLSTM三种模型的预测结果,基于DCNN及Self-Attention-BiGRU方法的预测结果最优,两项误差值:平均绝对误差(MAE)、均方根误差(RMSE)最低,其中工况一的一号轴承RUL预测的MAE值相较于BiGRU、GRU以及BiLSTM网络分别下降了7.0%、7.4%和6.5%,RMSE值相较于其他三种模型分别下降了7...
|
关 键 词: | 滚动轴承 剩余使用寿命 双向门控循环单元 不确定量化 自注意力机制 深度卷积神经网络 预测与健康管理 |
|
|