基于DCNN 网络及Self-Attention-BiGRU机制的轴承剩余寿命预测

作者：刘森,刘美,贺银超,等. 日期：2024-05-24/span> 浏览：137 查看PDF文档

摘要:深度神经网络在剩余寿命预测(RUL)领域得到了广泛的应用。传统的滚动轴承寿命预测模型存在预测精确度较低、鲁棒性较弱的问题。为了进一步提升预测模型的精确度以及鲁棒性,提出了一种融合深度卷积神经网络(DCNN)、双向门控循环单元(BiGRU)以及自注意力机制(Self-Attention)三种模块的滚动轴承剩余使用寿命预测模型。首先,利用DCNN网络对原始振动信号的时域特征、频域特征进行了提取;然后,使用不确定量化的方法对提取到的特征进行了评价和筛选,利用筛选过后的特征构建了新的替代特征集;最后,利用Self-Attention-BiGRU网络对轴承的剩余使用寿命进行了预测,并在IEEE PHM2012数据集上进行了验证。实验结果表明:相较于BiGRU、GRU和BiLSTM三种模型的预测结果,基于DCNN及Self-Attention-BiGRU方法的预测结果最优,两项误差值:平均绝对误差(MAE)、均方根误差(RMSE)最低,其中工况一的一号轴承RUL预测的MAE值相较于BiGRU、GRU以及BiLSTM网络分别下降了7.0%、7.4%和6.5%,RMSE值相较于其他三种模型分别下降了7.6%、8.4%和6.9%,预测的Score值最高,分值为0.985。通过不同数据集的划分,证明了该方法在轴承RUL预测时的强鲁棒性。实验结果验证了基于DCNN网络及Self-Attention-BiGRU模型在轴承剩余使用寿命预测中的有效性。

关键词:滚动轴承;剩余使用寿命;双向门控循环单元;不确定量化;自注意力机制;深度卷积神经网络;预测与健康管理

中图分类号:TH133.33;TP183文献标识码:A文章编号:1001-4551(2024)05-0786-11


本文引用格式:

刘森,刘美,贺银超,等.基于DCNN 网络及Self-Attention-BiGRU机制的轴承剩余寿命预测［J］.机电工程,2024,41(5):786-796.

LIU Sen, LIU Mei, HE Yinchao, et al. Residual life prediction of bearings based on DCNN network and Self-Attention-BiGRU mechanism［J］.Journal of Mechanical & Electrical Engineering, 2024,41(5):786-796.