相关实验视频
Updated: May 10, 2025
10:09
Operation of the Collaborative Composite Manufacturing CCM System
Published on: October 1, 2019
6.5K
一种用于滚动轴承的新型RUL预测方法:TCLstmNet-CBAM
Qiang Liu1,2, Zhengwei Dai3,4, Hongxi Lai3,4
1School of Mechanical Engineering, Guangdong Ocean University, Zhanjiang, 524088, China. liuqiang@gdou.edu.cn.
Scientific reports
|April 24, 2025
概括
本研究介绍了TCLstmNet-CBAM,这是一种新的深度学习方法,用于预测滚动轴承的剩余使用寿命 (RUL). 它通过将时间卷积网络和长期短期记忆与注意力机制相结合来提高准确性,以便更好地提取特征.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 预测性维护是指预测性维护.
背景情况:
- 对滚动轴承的准确剩余使用寿命 (RUL) 预测对于机械系统至关重要.
- 现有的深度学习方法在特征提取和预测准确性方面扎,因为它们依赖于有限的时间依赖.
研究的目的:
- 开发一种先进的深度学习方法,用于在滚动轴承中增强RUL预测.
- 解决当前预测模型的特征提取和准确性的局限性.
主要方法:
- 提出了一个新的TCLstmNet-CBAM模型,集成长期依赖的时间卷积网络 (TCN) 和短期依赖的长期短期记忆 (LSTM).
- 卷积块注意模块 (CBAM) 用于多维特征加权,优先考虑关键信息.
- 该方法在PHM2012和XJTU-SY滚动轴承数据集上得到了验证.
主要成果:
- 在TCLstmNet-CBAM方法实现了2.287的平均绝对误差 (MAE) 和3.123.123的根平均平方误差 (RMSE).
- 实验结果表明,与其他普遍的深度学习预测方法相比,其性能优越.
- 这种方法可以实现更全面的特征提取,并强调了改善RUL预测的关键特征.
结论:
- 拟议的TCLstmNet-CBAM方法有效地预测了滚动轴承的剩余使用寿命.
- 整合TCN,LSTM和CBAM显著提高了RUL预测的准确性.
- 这项研究验证了TCLstmNet-CBAM方法在承载预后方面的有效性和优越性.
