一种连续剩余的有用生命预测方法,具有多阶段的注意力卷积神经网络和知识重量约束

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能

背景情况:

• 持续监测旋转机械至关重要,但数据存储和处理的局限性挑战了剩余使用寿命 (RUL) 的预测.
• 持续学习 (CL) 通过使知识积累和更新成为可能,为动态RUL预测模型提供了一个解决方案.

研究的目的:

• 开发一种先进的RUL预测方法,克服数据约束,提高预测准确度.
• 引入一种新的方法,将多阶段注意力卷积神经网络 (MSACNN) 与知识重量约束 (KWC) 结合起来,用于增强连续RUL预测.

主要方法:

• 设计了一个多阶段的注意力卷积神经网络 (MSACNN),结合了改进的多头全通道视觉自我注意力 (MFCSSA) 机制.
• MSACNN集成了MFCSSA,挤压激发 (SE) 和卷积块注意模块 (CBAM) 进行渐进的特征提炼和全球降解信息捕获.
• 开发了一个知识重量约束 (KWC) 机制,利用重量参数重要性和梯度信息来缓解CL的灾难性遗忘.

主要成果:

• 拟议的MSACNN与现有的轴承和轮数据集方法相比,显示出更高的预测准确性.
• KWC机制有效地保留了先前学到的知识,同时获得了新的任务知识,超过了典型的CL方法.
• 集成的MSACNN和KWC方法在连续RUL预测任务中表现出卓越的表现.

结论:

• 与KWC共同开发的MSACNN为旋转机械的持续剩余使用寿命预测提供了强大而准确的解决方案.
• 这种方法有效地解决了有限的数据存储和处理能力所带来的挑战.
• 这种方法比现有的机器预测持续学习方法具有显著的优势.