典型文献
基于卷积GRU注意力的设备剩余寿命预测
文献摘要：
为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法.首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络(convolutional neural networks,简称CNN)提取设备状态的空间局部特征,门控循环神经单元(gate recurrent unit,简称GRU)提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比.实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性.
文献关键词：
机械设备;剩余寿命预测;深度学习;卷积门控循环单元;注意力
中图分类号：
作者姓名：
赵志宏;李晴;李春秀
作者机构：
石家庄铁道大学信息科学与技术学院 石家庄,050043;石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室 石家庄,050043
文献出处：
引用格式：
[1]赵志宏;李晴;李春秀-.基于卷积GRU注意力的设备剩余寿命预测)[J].振动、测试与诊断,2022(03):572-579
A类：
B类：
剩余寿命预测,全寿命,振动信号,自动提取,提取特征,特征信息,卷积门控循环单元,convolutional,gated,recurrent,unit,ConvGRU,寿命预测方法,信号预处理,注意力模型,neural,networks,提取设备,设备状态,局部特征,时序特征,有效提取,注意力机制,网络层,可视化实验,法特,机械设备,PHM2012,轴承数据,NASA,预测准确性,泛化性
AB值：
0.320511
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
