基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法

作     者：梁浩鹏 曹洁 赵小强 LIANG Hao-peng;CAO Jie;ZHAO Xiao-qiang

作者机构：兰州理工大学计算机与通信学院兰州730050 兰州城市学院信息工程学院兰州730050 兰州理工大学电气工程与信息工程学院兰州730050 

出 版 物：《控制与决策》 (Control and Decision)

年 卷 期：2024年第39卷第4期

页      面：1288-1296页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划项目(2020YFB1713600) 甘肃省重点研发计划项目(21YF5GA072) 甘肃省教育厅产业支撑计划项目(2021CYZC-02) 

主　　题：滚动轴承 剩余使用寿命预测 多传感器融合 双向时间卷积网络 双向长短期记忆网络 

摘      要：在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征,Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.