控制与决策

作者：梁浩鹏,曹洁,赵小强

单位：兰州理工大学 计算机与通信学院,兰州 730050,,兰州理工大学 计算机与通信学院,兰州 730050;兰州城市学院 信息工程学院,兰州 730050,,兰州理工大学 电气工程与信息工程学院,兰州 730050,

关键词：滚动轴承;剩余使用寿命预测;多传感器融合;双向时间卷积网络;双向长短期记忆网络

基金：国家重点研发计划项目(2020YFB1713600)；甘肃省重点研发计划项目(21YF5GA072)；甘肃省教育厅产业支撑计划项目(2021CYZC-02).

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征,Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.

来源：2024年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第4期