基于 Transformer 的双视角自注意力剩余使用寿命预测
信号处理
2022-04-21 v3 人工智能
机器学习
摘要
剩余使用寿命预测（RUL）是视情维修的关键技术之一，对保障工业设备的可靠性与安全性具有重要意义。海量工业测量数据有效提升了数据驱动 RUL 预测方法的性能。尽管深度学习在 RUL 预测中已取得巨大成功，现有方法仍难以处理长序列并从传感器与时间步两个视角提取信息。本文提出基于 Transformer 的双视角自注意力（DAST）这一新型深度 RUL 预测方法，其为纯基于自注意力、不含任何 RNN/CNN 模块的编码器-解码器结构。DAST 由两个并行工作的编码器组成，可同时提取不同传感器与时间步的特征。仅基于自注意力，DAST 编码器在处理长数据序列时更为有效，并能够自适应地学习关注输入中更重要的部分。此外，并行特征提取设计避免了两方面信息间的相互影响。在两个广泛使用的涡扇发动机数据集上的实验表明，我们的方法显著优于当前最先进的 RUL 预测方法。
引用
@article{arxiv.2106.15842,
title = {Dual Aspect Self-Attention based on Transformer for Remaining Useful Life Prediction},
author = {Zhizheng Zhang and Wen Song and Qiqiang Li},
journal= {arXiv preprint arXiv:2106.15842},
year = {2022}
}