基于BiLSTM与注意力机制的剩余使用寿命预测研究

摘要：

剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点.传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系.该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息.进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值.

关键词：双向长短期记忆网络(BiLSTM)、注意力机制、剩余使用寿命(RUL)预测、深度学习、神经网络

所属期刊栏目：41

分类号：TH212;TH213.3(起重机械与运输机械)

资助基金：国家自然科学基金;国家自然科学基金;石家庄铁道大学研究生创新资助项目

在线出版日期：2022-04-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：44-50,196