机械预测和高维数据特征提取基于变压器自动注意传输网络
Shilong Sun1,2, Tengyi Peng1,2, Haodong Huang1,2
1Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics, Shenzhen 518055, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了变压器自我注意传输网络 (TSTN),用于准确的机械健康预测. 根据高维数据,TSTN方法有效地预测了剩余使用寿命 (RUL),其性能优于现有技术.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 机械退化评估对于预后和健康管理至关重要.
- 当前的人工智能模型在手动特征提取,长序列预测和使用高维数据进行交叉操作RUL预测方面面临挑战.
研究的目的:
- 提出一种使用变压器自我注意传输网络 (TSTN) 的新型健康指标构建方法.
- 允许直接处理高维原始数据集,以准确预测其余使用寿命 (RUL).
主要方法:
- 设计了一个具有长期和短期自我注意机制的编码器,以捕获时间变化的信息.
- 开发了一个估计器,将编码器输出映射到退化趋势.
- 实现了一个域区分器,用于在各种操作条件中提取不变特征.
- 使用FEMTO-ST轴承数据集和蒙特卡洛方法进行RUL预测.
主要成果:
- 该TSTN方法直接处理高维数据,保存所有信息.
- 与RNN,LSTM和传统方法相比,实现了优异的RUL预测准确度.
- 在RUL预测准确度中表现出0.4017的显著得分.
结论:
- 拟议的TSTN方法为机械健康预测提供了显著的优势.
- 在复杂的环境中,TSTN显示出对最先进的剩余有用寿命预测有很大的潜力.


