基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

TP183; 针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题,提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network,RCNN-ABiLSTM)的机械设备剩余寿命预测方法.首先通过训练RCNN提取监测数据的深度空间特征;然后通过引入注意力机制,优化双向长短时记忆网络提取时间相关特征的权重参数,加强关键退化信息对剩余寿命预测的表达;最后通过航空发动机数据集验证了方法的有...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 45; no. 3; pp. 931 - 940
Main Authors 闫啸家, 梁伟阁, 张钢, 佘博, 田福庆
Format Journal Article
LanguageChinese
Published 海军工程大学兵器工程学院,湖北武汉430033%大连舰艇学院导弹与舰炮系,辽宁大连116016 01.03.2023
Subjects
注意力机制
残差卷积神经网络
航空发动机
融合模型
剩余寿命预测
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2023.03.35

Cover

More Information
Summary:TP183; 针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题,提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network,RCNN-ABiLSTM)的机械设备剩余寿命预测方法.首先通过训练RCNN提取监测数据的深度空间特征;然后通过引入注意力机制,优化双向长短时记忆网络提取时间相关特征的权重参数,加强关键退化信息对剩余寿命预测的表达;最后通过航空发动机数据集验证了方法的有效性.分析结果表明,对于运行条件复杂和故障模式多变的多维监测数据,所提方法能够准确寻找退化时间点,有效提高长时间运行设备的剩余寿命预测准确度.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2023.03.35