融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

作者：余江鸿,彭雄露,刘涛,等. 日期：2024-01-29/span> 浏览：206 查看PDF文档

摘要:针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明：该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

关键词:滚动轴承;剩余使用寿命;Inception V1模块;卷积注意力机制模块;卷积神经网络;全局最大池化;批量归一化

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2024)01-0107-08

本文引用格式:

余江鸿,彭雄露,刘涛,等.融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型［J］.机电工程,2024,41(1):107-114.

YU Jianghong, PENG Xionglu, LIU Tao, et al. Residual life prediction model of bearings based on Inception V1-CBAM-CNN［J］.Journal of Mechanical & Electrical Engineering, 2024,41(1):107-114.