典型文献
基于注意力机制的CNN-LSTM剩余寿命预测研究
文献摘要：
机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性.随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法.文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验.注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命.文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值.
文献关键词：
机械设备;剩余寿命预测;注意力机制;深度学习;CNN;CBAM
中图分类号：
作者姓名：
赵志宏;李晴;杨绍普;李乐豪
作者机构：
石家庄铁道大学 信息科学与技术学院,河北 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试验室,河北 石家庄 050043
文献出处：
引用格式：
[1]赵志宏;李晴;杨绍普;李乐豪-.基于注意力机制的CNN-LSTM剩余寿命预测研究)[J].铁道车辆,2022(01):1-7
A类：
B类：
注意力机制,剩余寿命预测,预测研究,机械设备,准确预测,昂贵,维护费用,寿命预测方法,设备寿命,法利,通道注意力,CBAM,自注意力,特征信息,无用信息,退化特征,NASA,机制影响
AB值：
0.182898
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。
