一种新的轮RUL预测方法通过扩散模型生成健康指数和注意力导向多层次的LSTM
1College of Artificial Intelligence and Big Data, Chongqing College of Electronic Engineering, Chongqing, 401331, China. 202321001@cqcet.edu.cn.
Scientific reports
|January 20, 2024
概括
这项研究引入了以注意力为导向的多层次LSTM (AGMLSTM),用于精确地预测轮剩余使用寿命 (RUL). 该方法使用新的健康指标增强时间序列分析,优于现有技术.
科学领域:
- 机械工程 机械工程
- 预测性维护是指预测性维护.
- 机器学习 机器学习
背景情况:
- 准确的剩余使用寿命 (RUL) 预测对于机械维护至关重要.
- 现有的方法很难充分利用轮振动数据中的时间依赖性.
研究的目的:
- 开发一个先进的模型,用于精确的轮RUL预测.
- 改进对时间序列数据中的订序信息的利用,用于RUL估计.
主要方法:
- 介绍了以注意力为导向的多层次LSTM (AGMLSTM) 模型.
- 使用扩散模型开发精细的健康指标 (HI).
- 从轮振动数据中计算HI,用于随后的RUL预测.
主要成果:
- AGMLSTM模型有效地捕捉了高层次和低层次的特征相互作用.
- 基于扩散模型的HI准确地反映了轮健康状况.
- 实验结果表明,与现有方法相比,RUL预测的准确性更高.
结论:
- 拟议的AGMLSTM方法在轮RUL预测方面取得了重大进展.
- 注意力机制和精细的HI的整合提高了预测性能.
- 这种方法为预测性维护轮提供了更可靠的工具.
