基于KPCA和TCN-Attention的滚动轴承退化趋势预测

被引：17

作者：

严帅 ^{[1
,2
]}

熊新 ^{[1
,2
]}

机构：

[1] 昆明理工大学信息工程与自动化学院

[2] 云南省人工智能重点实验室

来源：

电子测量技术 | 2022年 / 45卷 / 15期

关键词：

滚动轴承; 核主成分分析; 时间卷积网络; 注意力机制;

D O I：

10.19651/j.cnki.emt.2209218

中图分类号：

TP183 [人工神经网络与计算]; TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

为准确地对滚动轴承退化趋势进行预测，提出了KPCA和TCN-attention的组合预测方法。首先，利用KPCA对轴承的高维特征集进行非线性特征提取，并将第一主成分作为轴承的性能退化指标，对第一主成分进行归一化和平滑预处理；然后，在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数，找出TCN提取每个时间步的局部特征中贡献最大的部分，进而筛选出关键信息；最后，利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证，实验结果表明，与未加注意力机制的TCN和GRU、LSTM对比，所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性。

引用

页码：28 / 34

页数：7

共 22 条

[1]

Short-term prediction for wind power based on temporal convolutional network [J].

Zhu, Ruijin ;

Liao, Wenlong ;

Wang, Yusen .

ENERGY REPORTS, 2020, 6 :424-429

[2]

Remaining Useful Life Prediction Based on Improved Temporal Convolutional Network for Nuclear Power Plant Valves [J].

Wang, Hang ;

Peng, Minjun ;

Xu, Renyi ;

Ayodeji, Abiodun ;

Xia, Hong .

FRONTIERS IN ENERGY RESEARCH, 2020, 8

[3]

Comparative Study of Physics-Based Modeling and Neural Network Approach to Predict Cooling in Vehicle Integrated Thermal Management System [J].

Choi, Duwon ;

An, Youngkuk ;

Lee, Nankyu ;

Park, Jinil ;

Lee, Jonghwa .

ENERGIES, 2020, 13 (20)

[4]

Multi-head mutual-attention CycleGAN for unpaired image-to-image translation [J].

Ji, Wei ;

Guo, Jing ;

Li, Yun .

IET IMAGE PROCESSING, 2020, 14 (11) :2395-2402

[5]

Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model.[J].Mingming Yan;Xingang Wang;Bingxiang Wang;Miaoxin Chang;Isyaku Muhammad.ISA Transactions.2020, prepublish

[6]

A reinforcement learning unit matching recurrent neural network for the state trend prediction of rolling bearings.[J].Feng Li;Yong Chen;Jiaxu Wang;Xueming Zhou;Baoping Tang.Measurement.2019,

[7]

Remaining Useful Life Prediction of Rolling Bearings Based on RMS-MAVE and Dynamic Exponential Regression Model [J].