基于注意力机制和残差深度分离卷积的RUL预测方法
Electronic Measurement Technology(2023)
摘要
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.
更多关键词
remaining useful life prediction,attention mechanism,depth separation convolution,residual network,turbofan engine
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要