典型文献
基于深度可分离卷积神经网络轴承剩余寿命预测
文献摘要：
为进行轴承剩余寿命(Remaining Useful Life,RUL)预测,采用小波-谱峭度分析方法,首先对轴承振动序列信号进行小波包分解,并以谱峭度作为指标,确定故障特征频带并进行信号重构,然后,根据其频谱特征判断轴承是否发生故障,最终确定轴承振动序列信号的初始故障点(Incipient Fault Point,IFP).在此基础上,将引入注意力(Attention)机制的一维深度可分离卷积神经网络用于轴承初始故障点之后振动信号特征的提取,相比传统卷积神经网络,深度可分离卷积层可减少网络训练参数个数,加快网络训练速度.实验结果表明,注意力机制的引入使网络能够聚焦信号中关键的特征,为重要特征赋予较大权重,避免人工处理特征的不足,利于有效特征提取,最终预测结果好于SVR、CNN、RNN等常用数据驱动方法.
文献关键词：
深度可分离卷积;注意力机制;神经网络;初始故障点;剩余寿命预测
中图分类号：
作者姓名：
徐海铭;夏乔阳;李勇;章兰珠
作者机构：
华东理工大学机械与动力工程学院,上海200237
文献出处：
引用格式：
[1]徐海铭;夏乔阳;李勇;章兰珠-.基于深度可分离卷积神经网络轴承剩余寿命预测)[J].机械强度,2022(04):763-771
A类：
初始故障点
B类：
深度可分离卷积神经网络,剩余寿命预测,Remaining,Useful,Life,RUL,谱峭度,轴承振动,小波包分解,故障特征,频带,信号重构,频谱特征,断轴,定轴,Incipient,Fault,Point,IFP,Attention,振动信号,信号特征,特征的提取,卷积层,网络训练,数个,训练速度,注意力机制,大权,有效特征,SVR,RNN,数据驱动方法
AB值：
0.305737
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。
