ConvNeXt网络及Stacked BiLSTM-Self-Attention在轴承剩余寿命预测中的应用

作     者：张印文 王琳霖 薛文科 梁文婕 

作者机构：沈阳航空航天大学人工智能学院 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2024年

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：辽宁省科技厅重点研发计划项目(2022JH2/101300211) 沈阳市科技局项目(20230152) 

主　　题：滚动轴承 剩余寿命预测 ConvNeXt网络 堆叠双向长短时记忆网络 自注意力机制 深度学习 连续小波变换 

摘      要：在滚动轴承剩余使用寿命预测方面，采用传统方法时存在鲁棒性差、精度低等各种问题。近些年来深度学习的发展为解决这些问题提供了新的思路。为了进一步提高对轴承寿命的预测精度，提出了一种基于ConvNeXt网络、堆叠双向长短时记忆网络（SBiLSTM）和自注意力机制（Self-Attention）的滚动轴承寿命预测方法。首先，采用连续小波变换（CWT）构造了振动信号的时频图，以更好地捕捉信号的时域和频域特征；然后，将得到的时频图输入到构建的ConvNeXt网络中，通过卷积、池化和层归一化等操作，对时频图的关键特征进行了提取；最后，将提取后的特征输入到SBiLSTM-Self-Attention模块中，进一步提取了时序信息和特征权重分配数据，利用PHM2012挑战数据集进行了验证，通过实验分析了该方法的均方根误差（RMSE）和平均绝对误差（MAE）。研究结果表明：相较于现有技术方法，该方法的平均RMSE为0.031；与其他三种方法卷积神经网络（CNN）、深度残差双向门控循环单元（DRN-BiGRU）和深度卷积自注意力双向门控循环单元（DCNN-Self-Attention-BiGRU）相比，其平均RMSE值分别下降了79%、74%和55%，MAE值分别下降了78%、73%和53%，说明该方法在滚动轴承剩余寿命预测中取得了较好的性能。