噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (2): 136-142.

• 信号处理与故障诊断 • 上一篇    下一篇

基于ARN和BiLSTM的轴承剩余寿命预测方法

徐嘉杰沈艳霞   

  1. ( 江南大学物联网工程学院,江苏无锡214000 )
  • 收稿日期:2022-11-07 修回日期:2023-02-14 出版日期:2024-04-18 发布日期:2024-04-08

Bearing Remaining Life Prediction Method Based on ARNs and BiLSTM

  • Received:2022-11-07 Revised:2023-02-14 Online:2024-04-18 Published:2024-04-08

摘要: 针对深度学习方法进行轴承剩余使用寿命(Remaining Useful Life,RUL)预测时出现的网络退化和噪声信号干扰问题,提出一种基于注意力残差降噪模型(Attention and Residual Network,ARN)和双向长短时记忆网络(Bidirectional Long-Short-Term Memory network,BiLSTM)的轴承剩余使用寿命预测方法。ARN融合了卷积注意力机制(Convolution Block Attention Module,CBAM)和残差网络,利用通道和空间双维度注意力降低噪声特征的权重,结合软阈值函数进行降噪处理,能够同时提取到更多全局和局部的振动特征来构建健康指标(Health Indicator,HI)。以健康指标作为输入,通过BiLSTM网络映射得到RUL预测值。在IEEE PHM 2012 轴承数据集上进行所提方法与其他健康指标构建模型和RUL预测模型的对比实验,结果表明在6 种不同信噪比下(-5、-3、-1、1、3、5 dB),所提方法的抗噪能力最强,预测误差最小。

关键词: 故障诊断, 剩余使用寿命, 轴承, 注意力机制, 残差网络, 双向长短时记忆网络