科研之友
微信
新浪微博
Facebook
分享链接
摘要
在基于数据驱动和深度学习的轴承剩余使用寿命(remaining useful life， RUL)预测流程中，构建出能准确描述轴承退化状态的健康指标(health indicator， HI)是至关重要的步骤。现有的一些基于传统特征和无监督学习方法构建的健康指标性能较差，无法合理的指示轴承的退化状态。针对这个问题，使用深度卷积自编码器(deep convolutional auto-encoder， DCAE)从原始振动信号中进行特征提取，考虑到每一组特征都具有时间序列的性质，在编码器中引入自注意力机制(attention mechanism， AM)来自动学习序列内部元素相互关系并赋予不同权重，提出了DCAE-AM模型用于构建健康指标。为了合理的指示轴承的退化过程，使用了一种基于二次函数的标签来训练模型，不需要引入大量的先验知识。在PHM2012大赛的轴承数据集上进行模型验证并设定了失效阈值，相比于PCA、SOM、WGAN、CNN以及DCAE等方法，DCAE-AM模型构建的健康指标的融合性能评分最少提升了7.3%，最多提升了89.7%。
