基于注意力特征提取的时序深度退化网络用于复杂机械剩余使用寿命预测
机器学习
2022-02-23 v1 人工智能
信号处理
摘要
剩余使用寿命（RUL）的精确估计对于能够显著降低故障率与维护成本的 prognostic 分析与预测性维护至关重要。从传感器流数据中提取的与退化相关的特征借助神经网络可大幅提升RUL预测精度。提出时序深度退化网络（TDDN）模型，利用一维卷积神经网络（1D CNN）特征提取与注意力机制给出的退化相关特征进行RUL预测。1D CNN用于从流式传感器数据中提取时序特征。时序特征在波动的原始传感器流数据上具有单调退化趋势。注意力机制通过注意力权重捕捉故障特征与退化演进，从而提升RUL预测性能。TDDN模型的性能在公开C-MAPSS数据集上评估，并与现有方法比较。结果表明，相较于当前机器学习模型，TDDN模型在复杂工况下能取得最优的RUL预测精度。从高维传感器流数据中提取的退化相关特征展现出清晰的退化轨迹与退化阶段，使TDDN能够准确高效地预测涡扇发动机RUL。
引用
@article{arxiv.2202.10916,
title = {Remaining Useful Life Prediction Using Temporal Deep Degradation Network for Complex Machinery with Attention-based Feature Extraction},
author = {Yuwen Qin and Ningbo Cai and Chen Gao and Yadong Zhang and Yonghong Cheng and Xin Chen},
journal= {arXiv preprint arXiv:2202.10916},
year = {2022}
}