典型文献
基于BiLSTM与注意力机制的剩余使用寿命预测研究
文献摘要：
剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点.传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系.该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息.进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值.
文献关键词：
双向长短期记忆网络(BiLSTM);注意力机制;剩余使用寿命(RUL)预测;深度学习;神经网络
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,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;杨绍普;李乐豪-.基于BiLSTM与注意力机制的剩余使用寿命预测研究)[J].振动与冲击,2022(06):44-50,196
A类：
B类：
BiLSTM,注意力机制,剩余使用寿命预测,预测研究,remaining,useful,life,RUL,现代工业,基于模型的方法,提取特征,地学,学习特征,特征信息,原始数据,映射关系,双向长短期记忆网络,bi,directional,long,short,term,memory,寿命预测模型,寿命预测方法,不同之处,提取设备,设备状态,健康状态,状态信息,轴承
AB值：
0.207126
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。
