-
题名基于注意力机制的滚动轴承剩余使用寿命预测方法
被引量：2
- 1
-
-
作者
卢瑾
张永平
-
机构
盐城工学院信息工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第4期516-521,551,共7页
-
基金
国家自然科学基金资助项目(62076215)
江苏省产学研合作项目(BY2022502)。
-
文摘
现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型:其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明:与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、0.98%、0.82%、15.46%。研究结果表明:在轴承RUL预测方面,基于注意力机制的轴承剩余使用寿命预测模型(方法)是有效的。
-
关键词
剩余使用寿命
卷积神经网络-注意力机制网络
编码器-解码器模型
退化特征提取
滚动轴承寿命预测模型
记忆力退化
-
Keywords
remaining useful life(RUL)
convolutional neural network-attention mechanism network(CNN-attention)
Encoder-Decoder model
degenerate feature extraction
lifetime prediction model of rolling bearing
memory degradation
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于多源信息融合的风电机组轴承故障诊断方法
被引量：1
- 2
-
-
作者
王正奇
谷艳玲
陈长征
田淼
孙鲜明
-
机构
沈阳工业大学机械工程学院
辽宁省振动噪声控制工程技术研究中心
宁波坤博测控科技有限公司
-
出处
《机电工程》
CAS
北大核心
2023年第9期1411-1418,共8页
-
基金
国家自然科学基金资助项目(52175105,51675350)。
-
文摘
在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明:不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。
-
关键词
风电机组
滚动轴承
多尺度特征提取
故障信息完整性
多源信息融合
注意力机制卷积神经网络
-
Keywords
wind turbine
rolling bearing
multi-scale features extraction
fault information integrity
multi-source information fusion(MSIF)
attention mechanism convolutional neural network(ACNN)
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TM315
[电气工程—电机]
-
