莫仁鵬,李天梅,司小勝,朱旭

(火箭軍工程大學(xué)導(dǎo)彈工程學(xué)院,710025,西安)

設(shè)備或零部件的性能一旦退化至失效狀態(tài),輕者會阻礙正常的運(yùn)行過程,更為嚴(yán)重的是將有可能造成難以承受的經(jīng)濟(jì)損失或重大安全事故[1-2]。根據(jù)監(jiān)測數(shù)據(jù)預(yù)測設(shè)備的剩余使用壽命(RUL),并由此實施及時精準(zhǔn)的預(yù)測性維護(hù)、提前規(guī)劃維護(hù)資源配置,對于保障設(shè)備的運(yùn)行安全性、可靠性與經(jīng)濟(jì)性具有重要意義[3]。設(shè)備的RUL預(yù)測技術(shù)已成為過去十多年的研究熱點(diǎn),其應(yīng)用也已拓展到高速列車[4]、航空航天裝備[5]、風(fēng)電設(shè)備[6]等領(lǐng)域。

傳統(tǒng)上對設(shè)備進(jìn)行RUL預(yù)測的方法主要根據(jù)其失效機(jī)理來建立物理退化模型[7-8],但是這種方法需要對設(shè)備的物理結(jié)構(gòu)和機(jī)理特性有著較深入的了解,且在實際應(yīng)用中難度較大[9]。隨著計算機(jī)科學(xué)和傳感器技術(shù)的發(fā)展,數(shù)據(jù)驅(qū)動的RUL預(yù)測方法得到了廣大研究者的關(guān)注,借助于傳感器對設(shè)備的運(yùn)行過程進(jìn)行監(jiān)測,可以得到大量反映設(shè)備健康狀態(tài)的數(shù)據(jù),而數(shù)據(jù)驅(qū)動的方法利用這些數(shù)據(jù)之間的隱藏退化信息來建立模型,進(jìn)而預(yù)測設(shè)備的RUL。

近年來,以深度學(xué)習(xí)算法為基礎(chǔ)的數(shù)據(jù)驅(qū)動方法以其強(qiáng)大的學(xué)習(xí)和擬合能力在語音識別、圖像處理、故障診斷等領(lǐng)域取得了很好的效果[10],這也為設(shè)備的RUL預(yù)測提供了一種新的思路。各種深度學(xué)習(xí)算法中,卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特征提取能力較強(qiáng)且具有一定的降噪功能[11],因此CNN在RUL預(yù)測領(lǐng)域得到廣泛應(yīng)用。例如,張鋼等將軸承原始振動信號的時頻圖輸入到多尺度AlexNet網(wǎng)絡(luò)中構(gòu)建健康因子,所得的健康因子具有較好的單調(diào)性與趨勢性,但是并未進(jìn)一步驗證該方法在RUL預(yù)測時的效果[12]。Zhang等采用時間窗技術(shù)和改進(jìn)的差分方法得到若干個退化特征,并將這些退化特征和原始數(shù)據(jù)一并輸入到CNN中進(jìn)行RUL預(yù)測,雖然具有良好的預(yù)測精度,但是其預(yù)處理步驟較為繁瑣[13]。Zhu等將小波變換得到的軸承時頻表示輸入到CNN中進(jìn)行自動特征學(xué)習(xí),并在網(wǎng)絡(luò)深層采取多尺度結(jié)構(gòu)以同步學(xué)習(xí)全局信息和局部信息,進(jìn)而提高RUL預(yù)測精度,然而該方法得到的預(yù)測曲線中蘊(yùn)含噪聲較大、抖動劇烈[14]。

此外,以上基于CNN的RUL預(yù)測方法還存在以下不足:首先,CNN網(wǎng)絡(luò)利用多個卷積層從設(shè)備監(jiān)測信號中提取得到的深層特征含有通道和空間兩個維度,但是不同通道特征或不同空間特征之間所含的退化信息量是不一樣的,因此對RUL預(yù)測任務(wù)的貢獻(xiàn)度也是不一樣的,而以往的方法往往忽視了這一點(diǎn),這將對設(shè)備的RUL預(yù)測帶來不利影響;其次,傳統(tǒng)的CNN網(wǎng)絡(luò)需要有足夠的深度才能有較好的學(xué)習(xí)能力,但是當(dāng)網(wǎng)絡(luò)堆疊到一定深度時會存在梯度彌散以及網(wǎng)絡(luò)退化現(xiàn)象,不利于預(yù)測任務(wù)的進(jìn)行。

為了克服以上缺陷,本文提出一種結(jié)合殘差網(wǎng)絡(luò)與卷積注意力的端到端的設(shè)備RUL預(yù)測方法,所提方法直接將設(shè)備的原始監(jiān)測信號輸入到網(wǎng)絡(luò)中進(jìn)行RUL預(yù)測,并且利用卷積注意力對網(wǎng)絡(luò)中的深層特征進(jìn)行自適應(yīng)的加權(quán)處理以強(qiáng)化重要的通道特征和空間特征,以及抑制相對不重要的特征。此外,通過嵌入殘差模塊來增加CNN網(wǎng)絡(luò)的深度,可以在一定程度上緩解梯度彌散,避免網(wǎng)絡(luò)退化現(xiàn)象的發(fā)生。最后,通過PHM2012軸承數(shù)據(jù)集驗證本文方法的有效性與優(yōu)越性,并對軸承的RUL預(yù)測曲線進(jìn)行了平滑降噪處理。

1 殘差網(wǎng)絡(luò)

為了解決CNN網(wǎng)絡(luò)過深導(dǎo)致的梯度彌散以及網(wǎng)絡(luò)退化問題,He等將殘差神經(jīng)網(wǎng)絡(luò)(ResNet)引入到CNN中[15],ResNet在多個非線性的卷積層之間增加了直連邊,這種特殊結(jié)構(gòu)具有緩解網(wǎng)絡(luò)退化、避免梯度消失的功效[16]。

此外,由于非線性激活函數(shù)的存在,每層網(wǎng)絡(luò)的特征學(xué)習(xí)都是不可逆的,因此退化信息在網(wǎng)絡(luò)中傳播時或多或少會存在一些丟失[17]。當(dāng)網(wǎng)絡(luò)加深時,過多的信息丟失甚至?xí)绊懙筋A(yù)測模型的準(zhǔn)確性。殘差模塊的跨層跳躍連接直接將輸入信息繞道傳遞給輸出,有效緩解了退化信息在網(wǎng)絡(luò)中的傳播損耗,從而提高了網(wǎng)絡(luò)對退化信息的利用效率。圖1給出了本文所用殘差模塊的結(jié)構(gòu)。

圖1 殘差模塊的結(jié)構(gòu)Fig.1 Structure of Residual module

在圖1殘差模塊中,卷積層R1、R2、R3的核數(shù)分別為K/4、K/4、K,核尺寸分別為1×1、S×1、1×1,這種先縮后擴(kuò)的結(jié)構(gòu)和嵌入的1×1卷積核,將有助于大幅減少網(wǎng)絡(luò)參數(shù),提高模型的預(yù)測速度。

2 卷積注意力

深度學(xué)習(xí)中的注意力機(jī)制借鑒了人類視覺注意力的思想,將注意力集中在對目標(biāo)任務(wù)更重要的信息上,同時抑制無用信息的干擾,以此來提高神經(jīng)網(wǎng)絡(luò)的效率。目前已有多個神經(jīng)網(wǎng)絡(luò)模型與注意力機(jī)制結(jié)合在一起使用,并且在各自的任務(wù)中都取得了較好的效果[18-20]。

鑒于此,本文亦在CNN中引入與設(shè)備RUL預(yù)測任務(wù)相適應(yīng)的卷積注意力模塊(CBAM)來進(jìn)行特征重標(biāo)定,以增強(qiáng)對預(yù)測任務(wù)貢獻(xiàn)度更大的網(wǎng)絡(luò)特征。CBAM主要由通道注意力和空間注意力組成[21],分別在深層特征的通道維度和空間維度上強(qiáng)化重要信息并抑制無效信息。

2.1 通道注意力

卷積層的每個輸出通道對預(yù)測任務(wù)的重要程度是不一致的,因此有必要采用通道注意力機(jī)制對不同通道的重要性程度進(jìn)行評估,并為更重要的通道特征賦予更大的權(quán)重,以加強(qiáng)這些通道的影響。通道注意力的原理如圖2所示。

圖2 通道注意力的原理Fig.2 Principle of Channel attention

設(shè)輸入特征的維度為H×C,其中H為空間維度,C為通道維度。通道注意力首先同時使用全局最大池化(GAP)和全局平均池化(GMP)來聚合輸入特征的空間信息,將每一個通道內(nèi)的空間信息壓縮為一個表示符,得到兩個1×C的特征向量,再將這兩個特征向量分別輸入到共享網(wǎng)絡(luò)中,然后使共享網(wǎng)絡(luò)輸出的兩個1×C的一維向量相加合并,最后利用sigmoid函數(shù)進(jìn)行歸一化得到各通道的注意力權(quán)重。其中共享網(wǎng)絡(luò)為一個多層感知器(MLP),共含有兩個隱藏層,為了減少參數(shù)量,第1個隱藏層的神經(jīng)元數(shù)設(shè)置為C/r,r為下降率,第2個隱藏層的神經(jīng)元數(shù)再恢復(fù)為C。通道注意力的具體計算過程如下

Mc(F)=

δ[MLP(GAP(F))+MLP(GMP(F))]=

(1)

2.2 空間注意力

空間注意力關(guān)注輸入特征空間維度上的重要信息,其原理如圖3所示。

圖3 空間注意力的原理Fig.3 Principle of Spatial attention

空間注意力在輸入特征的通道軸上同時使用全局最大池化和全局平均池化,分別得到兩個維度為H×1的特征向量,再將這兩個特征向量沿通道方向拼接為H×2的特征向量,然后通過單核卷積層將其映射為H×1的特征向量,最后利用sigmoid函數(shù)進(jìn)行歸一化得到空間注意力權(quán)重,計算公式如下

Mh(F)=δ(conv((GAP(F);GMP(F))))=

(2)

2.3 混合注意力

通道注意力與空間注意力分別在輸入特征的通道維度和空間維度上關(guān)注更有效的信息,兩個注意力模塊之間有著互補(bǔ)的作用,因此經(jīng)常結(jié)合使用。通道注意力與空間注意力主要有3種組合方式[22],第1是先使用通道注意力對輸入特征F進(jìn)行加權(quán)得到F1,然后再針對加權(quán)后的特征F1使用空間注意力進(jìn)行再次加權(quán)得到最終的輸出F2,本文將這種組合方式簡稱為CBAM0,其計算過程如下

(3)

式中:⊙表示逐元素相乘。

第2組合方式為CBAM1,將空間注意力模塊放在通道注意力模塊之前使用,計算過程如下

(4)

第3組合方式為CBAM2,對輸入特征F同時使用通道注意力和空間注意力,分別得到通道注意力權(quán)重Mc和空間注意力權(quán)重Mh,再將這兩種注意力權(quán)重一并賦予原輸入特征,表達(dá)式如下

F2=Mc(F)⊙Mh(F)⊙F

(5)

本文使用一維卷積來提取一維時序監(jiān)測數(shù)據(jù)的深層特征,以識別設(shè)備的退化程度并進(jìn)行RUL預(yù)測。與二維卷積不同的是,一維卷積中的“空間”維度只含有1個維度,對一維時序數(shù)據(jù)而言該維度亦可看作為“時間”維度。以設(shè)備的單個采樣點(diǎn)數(shù)據(jù)序列作為網(wǎng)絡(luò)的輸入,在經(jīng)過多個卷積層的映射后,所得到的深層特征仍保留了一定的時序性,即單個采樣點(diǎn)內(nèi)的短期時序性。

使用空間(時間)注意力模塊,可以為更重要的時間點(diǎn)分配更大的權(quán)重,有利于模型預(yù)測性能的提高。如果采用CBAM0組合方式,先使用通道注意力進(jìn)行加權(quán),無疑會破壞輸入特征的時序性,影響后面空間注意力的使用效果。此外,網(wǎng)絡(luò)本身也具有一定的隨機(jī)性,每次計算得到注意力權(quán)重也會有些許偏差,而CBAM2同時使用兩種注意力權(quán)重與原輸入相乘將放大這種偏差,具體表現(xiàn)為網(wǎng)絡(luò)預(yù)測效果的穩(wěn)定性欠佳。因此,本文最終采用了CBAM1的組合方式,先使用空間注意力模塊來強(qiáng)調(diào)更重要的空間(時間)特征,再以通道注意力作為補(bǔ)充,強(qiáng)化重要通道并抑制相對不重要的通道,CBAM1的結(jié)構(gòu)如圖4所示。

圖4 CBAM1模塊的結(jié)構(gòu)Fig.4 Structure of CBAM1 module

3 采用殘差網(wǎng)絡(luò)與卷積注意力的設(shè)備剩余使用壽命預(yù)測方法

3.1 整體網(wǎng)絡(luò)模型

本文方法結(jié)合了殘差網(wǎng)絡(luò)與卷積注意力的優(yōu)勢,在緩解退化信息在網(wǎng)絡(luò)傳播過程中的丟失與損耗的同時,將網(wǎng)絡(luò)資源集中在對設(shè)備RUL預(yù)測任務(wù)更重要的特征上。圖5給出了所提方法的整體網(wǎng)絡(luò)結(jié)構(gòu),主要包含降維網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)、注意力網(wǎng)絡(luò)以及預(yù)測網(wǎng)絡(luò)4個子網(wǎng)絡(luò)。

圖5 采用殘差網(wǎng)絡(luò)與卷積注意力的剩余使用壽命預(yù)測模型Fig.5 Residual life prediction model using residual network and convolutional attention

使用降維網(wǎng)絡(luò)中的兩個卷積層對設(shè)備的采樣點(diǎn)數(shù)據(jù)進(jìn)行初步的特征提取,并且通過兩個最大池化層來壓縮特征,以減少后續(xù)網(wǎng)絡(luò)的計算量,從而提高模型的預(yù)測速度。其中卷積層的計算公式如下

社會信用體系涉及社會生活的各個方面，是所有個人、企業(yè)或政府的信用狀況的總和，社會信用體系框架如圖1所示（社會信用體系包含但不限于所列部分）。產(chǎn)品質(zhì)量信用和企業(yè)質(zhì)量信用既有區(qū)別，又有密切聯(lián)系，兩者均為社會信用體系建設(shè)不可或缺的部分[5-6]。

(6)

利用殘差網(wǎng)絡(luò)進(jìn)行深層特征提取,該網(wǎng)絡(luò)由3個殘差模塊疊加組成,殘差模塊中的跳躍連接可以有效緩解退化信息在網(wǎng)絡(luò)中傳播損耗。

將殘差網(wǎng)絡(luò)學(xué)習(xí)到的深層特征輸入到注意力網(wǎng)絡(luò)中的CBAM1模塊,該模塊先后使用空間注意力和通道注意力以強(qiáng)化深層特征中相對重要的空間信息和通道信息。

將經(jīng)過注意力網(wǎng)絡(luò)加權(quán)后的深層特征拉平,并輸入到預(yù)測網(wǎng)絡(luò)中進(jìn)行RUL預(yù)測。預(yù)測網(wǎng)絡(luò)由3個全連接層組成,計算公式如下

(7)

限定預(yù)測網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)為1,因此當(dāng)加權(quán)后的深層特征經(jīng)過3個全連接層的映射后,最終會得到1個單值數(shù)據(jù),即設(shè)備的RUL預(yù)測值。

3.2 參數(shù)優(yōu)化

(8)

式中:f(·)為預(yù)測模型整體網(wǎng)絡(luò)所代表的映射;θ為網(wǎng)絡(luò)中可訓(xùn)練的參數(shù);N為樣本總數(shù)。

3.3 RUL預(yù)測流程

所提方法對設(shè)備進(jìn)行RUL預(yù)測的流程如圖6所示,首先將設(shè)備的監(jiān)測數(shù)據(jù)分為訓(xùn)練集和測試集,再以訓(xùn)練集作為輸入對模型進(jìn)行多次訓(xùn)練,若干次迭代后得到訓(xùn)練好的網(wǎng)絡(luò)模型,然后就利用訓(xùn)練好的網(wǎng)絡(luò)模型對測試集設(shè)備進(jìn)行RUL預(yù)測,而測試集的RUL預(yù)測值曲線與真實值曲線之間的擬合程度則反映了模型的預(yù)測效果。

圖6 本文方法對設(shè)備進(jìn)行RUL預(yù)測的流程Fig.6 Process of this method for RUL prediction of equipment

4 實驗仿真與結(jié)果分析

4.1 實驗數(shù)據(jù)

通過PHM 2012軸承數(shù)據(jù)集[23]來驗證所提方法的有效性,該數(shù)據(jù)集包含3個工況下17個軸承的全壽命振動加速度數(shù)據(jù)。每個軸承內(nèi)含有由正常階段運(yùn)行至失效過程中的若干采樣點(diǎn)數(shù)據(jù),其采樣間隔為10 s,并且每個采樣點(diǎn)內(nèi)采集了2 560個振動加速度。選用軸承1-1、1-2、1-4、1-5、1-6作為訓(xùn)練集,軸承1-3、1-7、2-3、3-1作為測試集。

設(shè)訓(xùn)練集或測試集的樣本為{(xi,yi)},樣本序號i對應(yīng)軸承的第i個采樣點(diǎn),xi為該采樣點(diǎn)內(nèi)的2 560個振動加速度。第i個采樣點(diǎn)所對應(yīng)的RUL為(N-i)×10,為了降低網(wǎng)絡(luò)的訓(xùn)練難度,將采樣點(diǎn)RUL歸一化后再作為樣本的標(biāo)簽,表達(dá)式如下

(9)

4.2 實驗設(shè)置

網(wǎng)絡(luò)參數(shù)包括可訓(xùn)練的參數(shù),例如卷積核的權(quán)重和偏置,以及不可訓(xùn)練的超參數(shù),例如卷積核的數(shù)量和尺寸。超參數(shù)需要提前設(shè)置,并且需要綜合考慮其對網(wǎng)絡(luò)預(yù)測效果及訓(xùn)練時間的影響,經(jīng)過反復(fù)實驗對比,最終確定的超參數(shù)設(shè)置為:降維網(wǎng)絡(luò)中兩個卷積層的核數(shù)分別為16、32,核尺寸皆為6×1,而兩個池化層的長度皆為4;殘差網(wǎng)絡(luò)中3個殘差模塊的K參數(shù)分別為32、64、64,S參數(shù)皆為5;注意力網(wǎng)絡(luò)中的r參數(shù)為2,而單核卷積層的核尺寸為5×1;預(yù)測網(wǎng)絡(luò)中3個全連接層的神經(jīng)元數(shù)分別為128、32、1。

需要說明的是,本文的網(wǎng)絡(luò)模型基于Keras框架搭建實現(xiàn),訓(xùn)練時選擇Adam算法作為優(yōu)化器,學(xué)習(xí)率為0.000 1,一共訓(xùn)練30次。

此外,為了量化模型的預(yù)測效果,采用測試集軸承的RUL預(yù)測值與真實值之間的均方根誤差Ermse以及平均絕對誤差Emae作為評價指標(biāo)來評估模型的預(yù)測效果,表達(dá)式如下

(10)

(11)

式中:P為某測試軸承的樣本總數(shù)。

4.3 結(jié)構(gòu)分析

在第2.3節(jié)3種組合方式的CBAM中,選擇了CBAM1作為預(yù)測模型中的注意力網(wǎng)絡(luò)部分。為了驗證該選擇的合理性,在預(yù)測模型中分別加入CBAM0、CBAM1、CBAM2模塊進(jìn)行對比實驗,此外,還額外增加了3個參照對象,分別是無注意力、只含通道注意力、只含空間注意力。為了減少實驗復(fù)雜度,以軸承1-3為載體進(jìn)行結(jié)構(gòu)分析實驗,觀察含不同注意力模塊的預(yù)測模型對該測試軸承的RUL預(yù)測效果,實驗結(jié)果如表1所示。

表1 不同組合方式的CBAM的評價指標(biāo)Table 1 Evaluation indicators of CBAM in different combinations

由表1可以發(fā)現(xiàn),相較于無注意力模塊的網(wǎng)絡(luò)模型,含注意力模塊的網(wǎng)絡(luò)模型的預(yù)測性能都有一定的提高,特別是使用CBAM1時,相應(yīng)的Ermse和Emae的下降幅度最大,分別為0.008 8和0.009 2。這驗證了注意力機(jī)制對RUL預(yù)測任務(wù)的有效性,以及先使用空間注意力再使用通道注意力的策略的成功性。此外,CBAM1為一個輕量模塊,帶來的額外預(yù)測耗時僅為0.59 s,對RUL預(yù)測任務(wù)的時效性影響較小。

為了進(jìn)一步觀察注意力機(jī)制對模型訓(xùn)練的影響,分別對含有和不含有CBAM1的預(yù)測模型進(jìn)行訓(xùn)練,并觀察如圖7所示兩種模型損失函數(shù)(loss)在訓(xùn)練過程中的下降趨勢。由圖7可以看出,含有CBAM1的預(yù)測模型的損失函數(shù)下降得更快,尤其在訓(xùn)練的第一個迭代內(nèi),其損失函數(shù)就已經(jīng)達(dá)到了一個較低的程度。這是因為在加入注意力機(jī)制后,預(yù)測模型可以將注意力集中在對RUL預(yù)測任務(wù)貢獻(xiàn)度更大的特征上,所以能更快地校正更新網(wǎng)絡(luò)參數(shù),損失函數(shù)也就下降得更快。

圖7 有無CBAM1的模型的損失函數(shù)下降曲線Fig.7 Loss drop curve of model with or without CBAM1

4.4 對比實驗

將本文方法與深度神經(jīng)網(wǎng)絡(luò)(DNN)方法[24]、卷積神經(jīng)網(wǎng)絡(luò)(CNN)方法[25]以及去掉殘差結(jié)構(gòu)后的本文方法進(jìn)行對比,這4種方法在4個測試軸承上RUL預(yù)測效果如表2所示。

由表2可知,去掉殘差結(jié)構(gòu)之后所提方法的預(yù)測性能有所下降,這從反面驗證了具有緩解網(wǎng)絡(luò)退化、減少信息傳播損耗等功效的殘差結(jié)構(gòu),對于改善模型預(yù)測性能有著積極的作用。結(jié)合殘差網(wǎng)絡(luò)與卷積注意力機(jī)制的優(yōu)勢,本文方法不僅可以有效克服特征信息在網(wǎng)絡(luò)傳播過程中的損失,并且將注意力集中在對RUL預(yù)測任務(wù)更重要的特征上,因此本文方法不僅在工況1中的軸承1-3、1-7上表現(xiàn)出了較好的預(yù)測效果,在工況2、工況3中的兩個軸承上亦具有最佳表現(xiàn),驗證了所提方法的穩(wěn)定性與魯棒性。此外,雖然所提方法較其他方法結(jié)構(gòu)更復(fù)雜,但是耗費(fèi)的預(yù)測時間僅略微高于CNN方法,滿足實時預(yù)測的要求,而CNN和DNN方法雖然耗時更短,但是預(yù)測效果不佳。

表2 4種方法在測試軸承上的預(yù)測效果Table 2 Predictive effects of four methods on test bearings

圖8為本文方法、CNN方法以及DNN方法在軸承1-3上的RUL預(yù)測曲線,且都經(jīng)過了加權(quán)平均方式的平滑降噪處理[26]。由圖8可以看出,本文方法的RUL預(yù)測曲線與真實曲線之間的擬合程度最好,更直觀地展示了本文方法在對軸承進(jìn)行RUL預(yù)測時的有效性與優(yōu)越性。此外,由于CNN網(wǎng)絡(luò)本身具有一定的降噪能力,因此本文方法與CNN方法的預(yù)測曲線的抖動較DNN方法小。

(a)本文方法 (b)CNN方法 (c)DNN方法圖8 3種方法在軸承1-3上的RUL預(yù)測曲線Fig.8 Three methods of RUL prediction curve on bearing 1-3

5 結(jié) 論

本文結(jié)合殘差網(wǎng)絡(luò)與卷積注意力的優(yōu)勢提出一種新的深度學(xué)習(xí)方法對設(shè)備進(jìn)行RUL預(yù)測,并通過公開的軸承數(shù)據(jù)集對所提方法進(jìn)行了驗證,主要結(jié)論如下:

(1)所提方法為端到端的RUL預(yù)測方法,將原始監(jiān)測數(shù)據(jù)直接輸入到網(wǎng)絡(luò)中便可得到設(shè)備的RUL預(yù)測值,無需提前手動計算退化特征。

(2)在深層網(wǎng)絡(luò)引入卷積注意力先后在空間維度和通道維度上強(qiáng)化更重要的特征,不僅使模型在測試軸承1-3上的均方根誤差和平均絕對誤差分別下降了0.008 8和0.009 2,有效改善了軸承的RUL預(yù)測精度,而且可以顯著加快模型的收斂速度。

(3)在不同工況軸承上的測試結(jié)果表明,所提方法的均方根誤差和平均絕對誤差的均值分別為0.107 9和0.083 1,遠(yuǎn)低于其他對比方法,驗證了所提方法的優(yōu)越性與魯棒性。其中,去殘差模型的均方根誤差和平均絕對誤差的均值分別為0.143 2和0.113 5,高于所提方法完整結(jié)構(gòu)的兩個評價指標(biāo),這從反面證明了殘差結(jié)構(gòu)對設(shè)備RUL預(yù)測任務(wù)有著積極的作用。此外,所提方法的平均預(yù)測耗時為2.90 s,滿足實時預(yù)測的要求。最后,所提方法在軸承1-3上的RUL預(yù)測曲線與真實曲線之間的擬合效果最佳,更直觀地展示了所提方法的有效性。