典型文献
基于时间卷积注意力网络的剩余寿命预测方法
文献摘要：
剩余使用寿命(R U L)预测对于保障现代工业设备的安全运行、降低维护成本具有重要意义.目前已有基于循环神经网络(RNN)的RUL预测模型结构比较复杂,且缺乏一种从多传感器数据中提取重要退化信息的有效机制.因此,设计了一种新的用于RUL预测的时间卷积注意力网络(TCAN)模型.在TCAN中使用结构相对比较简单的时间卷积神经网络(TCN)来提取传感器数据中的退化特征,然后利用注意力机制从TCN中提取重要的退化特征信息.最后,将学习得到的高层特征表示展开并输入全连接层,输出预测的RUL值.在C-MAPSS数据集上与其他方法相比较,分析了TCAN模型的性能,实验结果表明TCAN可以更有效地提高RUL预测的精度.
文献关键词：
深度学习;剩余使用寿命;时间卷积神经网络;注意力机制
中图分类号：
作者姓名：
刘丽;裴行智;雷雪梅
作者机构：
北京科技大学自动化学院,北京 100083;北京科技大学顺德研究生院,广东 佛山 528399;北京科技大学信息化建设与管理办公室,北京 100083
文献出处：
引用格式：
[1]刘丽;裴行智;雷雪梅-.基于时间卷积注意力网络的剩余寿命预测方法)[J].计算机集成制造系统,2022(08):2375-2386
A类：
TCAN
B类：
卷积注意力,注意力网络,剩余寿命预测,寿命预测方法,剩余使用寿命,现代工业,工业设备,降低维护成本,循环神经网络,RNN,RUL,模型结构,结构比较,比较复杂,多传感器数据,有效机制,使用结构,比较简单,时间卷积神经网络,TCN,退化特征,注意力机制,特征信息,习得,特征表示,全连接层,输出预测,MAPSS,其他方法
AB值：
0.340438
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。
