基于ARN和BiLSTM的轴承剩余寿命预测方法.pdfVIP

基于ARN和BiLSTM的轴承剩余寿命预测方法

摘要：针对深度学习方法进行轴承剩余使用寿命(RemainingUsefulLife，RUL)预测时出现的网络退化和噪声信号

干扰问题，提出一种基于注意力残差降噪模型(AttentionandResidualNetwork，ARN)和双向长短时记忆网络

(BidirectionalLong-Short-TermMemorynetwork，BiLSTM)的轴承剩余使用寿命预测方法。ARN融合了卷积注意力机

制(ConvolutionBlockAttentionModule，CBAM)和残差网络，利用通道和空间双维度注意力降低噪声特征的权重，结合

软阈值函数进行降噪处理，能够同时提取到更多全局和局部的振动特征来构建健康指标(HealthⅠndicator，HⅠ)。以健康

指标作为输入,通过BiLSTM网络映射得到RUL预测值。在ⅠEEEPHM2012轴承数据集上进行所提方法与其他健康

指标构建模型和RUL预测模型的对比实验，结果表明在6种不同信噪比下(-5、-3、-1、1、3、5dB)，所提方法的抗噪能力

最强，预测误差最小。

关键词：故障诊断；剩余使用寿命；轴承；注意力机制；残差网络；双向长短时记忆网络

BearingRemainingLifePredictionMethodBasedonARNsandBiLSTM

Abstract:Ⅰnviewoftheproblemthattheaccuracyofbearingremainingusefullife(RUL)predictionwithprevious

deeplearningmethodsisaffectedbynetworkdegradationandnoiseinterference,anewbearingRULpredictionmethod

basedonAttentionandResidualNetwork,(ARN)andBidirectionalLong-Short-TermMemory(BiLSTM)networkis

proposed.TheARNincorporatestheConvolutionBlockAttentionModule(CBAM)attentionmechanismandresidual

networks,usesbothchannelandspatialdualdimensionalattentiontoreducetheweightofnoisyfeatures,andappliessoft

thresholdfunctionsfornoisereduction.Thismethodcanextractmoreglobalandlocalvibrationfeaturessimultaneouslyto

constructhealthindicators(HⅠ).Then,withtheHⅠasinput,thepredictionvalueofRULisobtainedthroughBiLSTM

networkmapping.Theexperimentsforcomparingtheproposedmethodwithotherhealthmetricconstructionmodelsand

RULpredictionmodelsarecarriedoutontheⅠEEEPHM2012bearingdataset.Theresultsshowthatforsixdifferentsignal-

to-noiseratios(-5,-3,-1,1,3,5dB),theproposedmethodhasthebestnoiseimmunityandthelowestpredictionerror.