首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订  |  学术不端检测
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业
              和信息化部
  • 主办:南京航空航天大学
              全国高校机械工程
              测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于卷积GRU注意力的设备剩余寿命预测
Remaining Useful Life Prediction Based on ConvGRU‑Attention Method
  
DOI:10.16450/j.cnki.issn.1004-6801.2022.03.023
中文关键词:  机械设备  剩余寿命预测  深度学习  卷积门控循环单元  注意力
英文关键词:mechanical equipment  remaining useful life prediction  deep learning  convolutional gated recurrent unit(ConvGRU)  attention
基金项目:国家自然科学基金资助项目(11972236,11790282);石家庄铁道大学研究生创新基金资助项目(YC2021077)
作者单位
赵志宏1,2 (1.石家庄铁道大学信息科学与技术学院 石家庄050043)(2.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) 
李晴1 (1.石家庄铁道大学信息科学与技术学院 石家庄050043) 
李春秀1 (1.石家庄铁道大学信息科学与技术学院 石家庄050043) 
摘要点击次数: 29
全文下载次数: 46
中文摘要:
      为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络(convolutional neural networks,简称CNN)提取设备状态的空间局部特征,门控循环神经单元(gate recurrent unit,简称GRU)提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。
英文摘要:
      In order to directly use neural network to automatically extract feature information from the collected full-life vibration signals and avoid the dependence on manually extracted features, a remaining useful life prediction method based on convolution gated recurrent unit (ConvGRU) attention is proposed. Firstly, the collected equipment vibration signal is input into ConvGRU-attention model after preprocessing. ConvGRU extracts the spatial local features of equipment state through convolutional neural networks(CNN) and gate recurrent unit (GRU) extracts the timing feature information, so that the equipment state features can be extracted more effectively. Secondly, the attention mechanism is used to assign different weights to the feature information. Then, the visualization experiment of the feature output of the intermediate network layer is carried out, which verifies the effectiveness of the feature extraction of this research method. Finally, experiments are carried out on two mechanical equipment datasets PHM2012 bearing dataset and NASA engine dataset, and compared with existing methods. The experimental results show that the prediction accuracy of the remaining useful life prediction method based on ConvGRU-attention is better and has better generalization.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2927600位访问者 本站今日一共被访问645

技术支持:北京勤云科技发展有限公司