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