文摘根据轴承温度标准,通过分析主轴温度的差异性变化来预测故障存在的可能性。首先,对数据进行清洗,并以线性插值法和贝叶斯–高斯CP(canonical decomposition/parallel factor)模型混合方式对缺失数据进行扩增。然后,将自注意力机制加入ConvLSTM(convolution long short-term)网络搭建主轴状态监测模型。通过自注意力机制消融实验,验证了自注意力机制能够提高ConvLSTM的预测准确率。进行了与LSTM、双向循环神经网络和CNN-LSTM(convolutional neural networks-long short term)模型的对比实验。结果表明,ConvLSTM对主轴温度预测的精确度高。最后,通过实际案例验证了模型的有效性。
