融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型.pdfVIP

融合ＩｎｃｅｐｔｉｏｎＶ１￣ＣＢＡＭ￣ＣＮＮ的轴承剩余寿命预测模型∗

摘要:针对现有的滚动轴承剩余寿命(ＲＵＬ)预测方法精度低、轴承健康指标(ＨＩ)构建困难等问题ꎬ提出了一种基于卷积神经网络

(ＣＮＮ)并融合ＩｎｃｅｐｔｉｏｎＶ１模块和卷积注意力机制模块(ＣＢＡＭ)的滚动轴承ＲＵＬ预测模型ꎮ首先ꎬ在ＣＮＮ中添加了ＣＢＡＭ机制ꎬ

并进行了加权处理ꎬ在通道和空间维度对重要特征进行了强化ꎬ对次要特征进行了抑制ꎬ通过添加改进的ＩｎｃｅｐｔｉｏｎＶ１模块ꎬ提高了

ＣＮＮ通道间信息交互水平ꎬ全面提取了退化特征ꎻ然后ꎬ进行了网络优化ꎬ采用全局最大池化(ＧＭＰ)方法对模型进行了简化ꎬ采用

Ｄｒｏｐｏｕｔ和批量归一化(ＢＮ)方法ꎬ避免了过拟合ꎬ提高了精度ꎬ且克服了训练时出现的梯度消失问题ꎻ最后ꎬ对数据进行了处理ꎬ将降

噪后的信号重组为三维张量ꎬ将其作为ＨＩꎬ构建了退化标签ꎬ引入了评价指标ꎬ采用ＰＨＭ２０１２轴承数据集进行了实验验证ꎬ在３种工况

下将其与深度神经网络(ＤＮＮ)、ＣＮＮ方法、结合注意力机制的残差网络方法(ＲｅｓＮｅｔ)进行了对比ꎮ研究结果表明:该方法在变负载条

件下的平均ＲＭＳＥ为０.０３３ꎬ较其他方法的ＲＭＳＥ值分别降低了８６％、７８％和６９％ꎬ在预测精度和泛化能力方面具有明显优势ꎮ

关键词:滚动轴承ꎻ剩余使用寿命ꎻＩｎｃｅｐｔｉｏｎＶ１模块ꎻ卷积注意力机制模块ꎻ卷积神经网络ꎻ全局最大池化ꎻ批量归一化

ＲｅｓｉｄｕａｌｌｉｆｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｂｅａｒｉｎｇｓｂａｓｅｄｏｎＩｎｃｅｐｔｉｏｎＶ１￣ＣＢＡＭ￣ＣＮＮ

Ａｂｓｔｒａｃｔ:Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｓｕｃｈａｓｌｏｗａｃｃｕｒａｃｙｏｆｔｈｅｅｘｉｓｔｉｎｇｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｒｅｓｉｄｕａｌｕｓｅｆｕｌｌｉｆｅ(ＲＵＬ)ｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇａｎｄ

ｄｉｆｆｉｃｕｌｔｃｏｎｓｔｒｕｃｔｉｏｎｏｆｂｅａｒｉｎｇｈｅａｌｔｈｉｎｄｅｘ(ＨＩ)ꎬａｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒＲＵＬｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ

(ＣＮＮ)ａｎｄｉｎｔｅｇｒａｔｉｏｎｏｆＩｎｃｅｐｔｉｏｎＶ１ｍｏｄｕｌｅａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ(ＣＢＡＭ)ｗａｓｐｒｏｐｏｓｅｄ.ＦｉｒｓｔｌｙꎬＣＢＡＭｍｅｃｈａｎｉｓｍ

ｗａｓａｄｄｅｄｔｏＣＮＮｆｏｒｗｅｉｇｈｔｅｄｐｒｏｃｅｓｓｉｎｇꎬａｎｄｉｍｐｏｒｔａｎｔｆｅａｔｕｒｅｓｗｅｒｅｓｔｒｅｎｇｔｈｅｎｅｄａｎｄｍｉｎｏｒｆｅａｔｕｒｅｓｗｅｒｅｓｕｐｐｒｅｓｓｅｄｉｎｃｈａｎｎｅｌａｎｄ

ｓｐａｔｉａｌｄｉｍｅｎｓｉｏｎｓ.ＡｎｉｍｐｒｏｖｅｄＩｎｃｅｐｔｉｏｎＶ１ｍｏｄｕｌｅｗａｓａｄｄｅｄｔｏｉｍｐｒｏｖｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎＣＮＮｃｈａｎｎｅｌｓａｎｄｅｘｔｒａｃｔｅｄ

ｄｅｇｒａｄｅｄｆｅａｔｕｒｅｓｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ.Ｔｈｅｎꎬｔｈｅｎｅｔｗｏｒｋｗａｓｏｐｔｉｍｉｚｅｄꎬｔｈｅｍｏｄｅｌｗａｓｓｉｍｐｌｉｆｉｅｄｂｙｕｓｉｎｇｔｈｅｇｌｏｂａｌｍａｘｉｍｕｍｐｏｏｌｉｎｇ

(ＧＭＰ)ｍｅｔｈｏｄꎬＤｒｏｐｏｕｔｍｅｔｈｏｄａｎｄｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ(ＢＮ)ｍｅｔｈｏｄｔｏａｖｏｉｄｏｖｅｒｆｉｔｔｉｎｇａｎｄｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙａｎｄｏｖｅｒｃｏｍｉｎｇｔｈｅ

ｇｒａｄｉｅｎｔｄｉｓａｐｐｅａｒａｎｃｅｐｒｏｂｌｅｍｄｕｒｉｎｇｔｒａｉｎｉｎｇ.Ｆｉｎａｌｌｙꎬｔｈｅｄａｔａｗａｓｐｒｏｃｅｓｓｅｄꎬｔｈｅｓｉｇｎａｌａｆｔｅｒｎｏｉｓｅｒｅｄｕｃｔｉｏｎｗａｓｒｅｃｏｎｓｔｒｕｃｔｅｄｉｎｔｏａ

ｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌｔｅｎｓｏｒａｓｔｈｅｂｅａｒｉｎｇｈｅａｌｔｈｉｎｄｅｘＨＩꎬｔｈｅｄｅｇｒａｄａｔｉｏｎｌａｂｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄａｎｄｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｗａｓｉｎｔｒｏｄｕｃｅｄ.Ｔｈｅ

ＰＨＭ２０１２ｂｅａｒｉｎｇｄａｔａｓｅｔｗａｓｅｘｐｅｒｉｍｅｎｔａｌｌｙｖｅｒｉｆｉｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋ(ＤＮＮ)ꎬＣＮＮａｎｄｒｅｓｉｄｕａｌｎ