文献类型：期刊文章

作　　者：刘丽[1,2] 裴行智[1,2] 雷雪梅[3]

LIU Li;PEI Xingzhi;LEI Xuemei(School of Automation and Engineering,University of Science and Technology Beijing,Beijing 100083,China;Shunde Graduate School,University of Science and Technology Beijing,Foshan 528399,China;Office of Information Construction and Management,University of Science and Technology Beijing,Beijing 100083,China)

机构地区：[1]北京科技大学自动化学院,北京100083 [2]北京科技大学顺德研究生院,广东佛山528399 [3]北京科技大学信息化建设与管理办公室,北京100083

出　　处：《计算机集成制造系统》

基　　金：国家自然科学基金面上资助项目(12071025);佛山市科技创新专项资金资助项目(BK20AE004)。

年　　份：2022

卷　　号：28

期　　号：8

起止页码：2375-2386

语　　种：中文

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

摘　　要：剩余使用寿命(RUL)预测对于保障现代工业设备的安全运行、降低维护成本具有重要意义。目前已有基于循环神经网络(RNN)的RUL预测模型结构比较复杂,且缺乏一种从多传感器数据中提取重要退化信息的有效机制。因此,设计了一种新的用于RUL预测的时间卷积注意力网络(TCAN)模型。在TCAN中使用结构相对比较简单的时间卷积神经网络(TCN)来提取传感器数据中的退化特征,然后利用注意力机制从TCN中提取重要的退化特征信息。最后,将学习得到的高层特征表示展开并输入全连接层,输出预测的RUL值。在C-MAPSS数据集上与其他方法相比较,分析了TCAN模型的性能,实验结果表明TCAN可以更有效地提高RUL预测的精度。

关 键 词：深度学习  剩余使用寿命  时间卷积神经网络  注意力机制  

分 类 号：TP391] TH17[计算机类]