典型文献
基于KPCA和TCN-Attention的滚动轴承退化趋势预测
文献摘要：
为准确地对滚动轴承退化趋势进行预测,提出了 KPCA和TCN-attention的组合预测方法.首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数,找出TCN提取每个时间步的局部特征中贡献最大的部分,进而筛选出关键信息;最后,利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证,实验结果表明,与未加注意力机制的TCN和GRU、LSTM对比,所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性.
文献关键词：
滚动轴承;核主成分分析;时间卷积网络;注意力机制
中图分类号：
作者姓名：
严帅;熊新
作者机构：
昆明理工大学信息工程与自动化学院 昆明650500;云南省人工智能重点实验室 昆明650500
文献出处：
引用格式：
[1]严帅;熊新-.基于KPCA和TCN-Attention的滚动轴承退化趋势预测)[J].电子测量技术,2022(15):28-34
A类：
B类：
KPCA,TCN,Attention,滚动轴承,轴承退化,退化趋势预测,attention,组合预测方法,高维特征,征集,非线性特征,分作,性能退化,退化指标,时间卷积网络,注意力机制,关键特征,权重系数,时间步,局部特征,关键信息,辛辛那提,IMS,轴承外圈,内圈,周期数据,未加,GRU,RMSE,MAE,预测指标,预测准确性,核主成分分析
AB值：
0.383553
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。
