基于BiLSTM与注意力机制的剩余使用寿命预测研究

• 作者: 赵志宏 李晴 杨绍普 李乐豪
• 来源期刊: 振动与冲击
• 学科: 工学
• 关键词: 双向长短期记忆网络(BiLSTM) 注意力机制 剩余使用寿命(RUL)预测 深度学习 神经网络
• 年，卷（期）: 2022,（6）
• 页码范围: 44-50,196
• 页数: 8页
• 分类号: TH212|TH213.3
• 语种: 中文
• DOI: 10.13465/j.cnki.jvs.2022.06.007

摘要

剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点.传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系.该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息.进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值.