基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
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.
推荐文章
基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测
锂离子电池
剩余使用寿命预测
融合神经网络
一维卷积神经网络
双向长短期记忆
基于自注意力机制的方面情感分类
方面词
情感分类
自注意力机制
语义编码
基于剩余使用寿命预测的替换时间和备件订购时间联合决策
预测维修
剩余使用寿命
联合决策
序贯决策
备件订购
基于IGA-MRVR的锂离子电池剩余使用寿命预测
电动汽车
锂电池
剩余使用寿命
多核相关向量回归算法
改进遗传算法优化
预测
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于BiLSTM与注意力机制的剩余使用寿命预测研究
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) 所属期刊栏目
研究方向 页码范围 44-50,196
页数 8页 分类号 TH212|TH213.3
字数 语种 中文
DOI 10.13465/j.cnki.jvs.2022.06.007
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2022(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
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
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
振动与冲击
半月刊
1000-3835
31-1316/TU
大16开
上海市华山路1954号上海交通大学
4-349
1982
chi
出版文献量(篇)
12841
总下载数(次)
12
总被引数(次)
124504
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导