基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异，深度神经网络模型泛化能力差的问题，结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先，将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号；其次，剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络，该网络在较好提取时间序列信息的同时，进一步通过残差自注意力机制捕获轴承局部退化特征，增强模型的迁移特征提取能力；再次，采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异，实现不同工况下轴承寿命状态知识的迁移预测；最后，在公开的滚动轴承全寿命数据集上进行试验验证，结果表明所提方法能有效实现变工况下的滚动轴承RUL预测，并获得较好的预测性能。