SAL-CNN：利用时频信息估计轴承剩余使用寿命
计算机视觉与模式识别
2022-04-12 v1
摘要
在现代工业生产中，轴承剩余使用寿命（RUL）的预测能力直接影响系统的安全与稳定。传统方法需要严格的物理建模，且对复杂系统表现较差。本文提出一种端到端的 RUL 预测方法，使用短时傅里叶变换（STFT）作为预处理。考虑信号序列的时间相关性，在 CNN 中设计长短时记忆网络，融入卷积块注意力模块，并从可解释性层面理解网络的决策过程。在 2012PHM 数据集上进行了实验并与其他方法比较，结果证明了该方法的有效性。
引用
@article{arxiv.2204.05045,
title = {SAL-CNN: Estimate the Remaining Useful Life of Bearings Using Time-frequency Information},
author = {Bingguo Liu and Zhuo Gao and Binghui Lu and Hangcheng Dong and Zeru An},
journal= {arXiv preprint arXiv:2204.05045},
year = {2022}
}