文献类型：期刊文章

作　　者：赵志宏[1,2] 李晴[1] 杨绍普[2] 李乐豪[1]

ZHAO Zhihong;LI Qing;YANG Shaopu;LI Lehao(School of Information Science and Technology,Shijiazhuang Tiedao University,Shijiazhuang 050043,China;State Key Laboratory of Structural Mechanics Behavior and System Safety of Traffic Engineering,Shijiazhuang Tiedao University,Shijiazhuang 050043,China)

机构地区：[1]石家庄铁道大学信息科学与技术学院,石家庄050043 [2]石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄050043

出　　处：《振动与冲击》

基　　金：国家自然科学基金(11972236,11790282);石家庄铁道大学研究生创新资助项目(YC2021077)。

年　　份：2022

卷　　号：41

期　　号：6

起止页码：44-50

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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

分 类 号：TH212] TH213.3