基于时间卷积注意力网络的剩余寿命预测方法

作     者：刘丽 裴行智 雷雪梅 LIU Li;PEI Xingzhi;LEI Xuemei

作者机构：北京科技大学自动化学院北京100083 北京科技大学顺德研究生院广东佛山528399 北京科技大学信息化建设与管理办公室北京100083 

出 版 物：《计算机集成制造系统》 (Computer Integrated Manufacturing Systems)

年 卷 期：2022年第28卷第8期

页      面：2375-2386页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

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) 

主　　题：深度学习 剩余使用寿命 时间卷积神经网络 注意力机制 

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。