基于ResNet-ABiLSTM的滚动轴承剩余寿命预测

传统数据驱动的方法过度依赖先验知识且特征提取能力不足,从而导致预测精度不高等后果。针对这一问题,提出了一种带有自注意力机制(SAM)的残差网络(ResNet)与双向长短时记忆网络(BiLSTM)结合的剩余使用寿命(RUL)预测方法(ResNet-ABiLSTM)。首先,对采集的原始监测信号进行了标准化处理,并采用滑窗法对处理后的数据进行了重采样,以实现数据的扩充目标;然后,通过采用残差网络和双向长短时记忆网络,分别提取了数据空间维度和时间维度上的深层特征,同时引入了自注意力机制,关注了时空维度上反映设备退化趋势的更重要的特征;最后,采用PHM2012轴承数据集对预测效果进行了验证,并将其结果与CNN-LSTM、ResNet-BiLSTM、HI-GRNN、CNN-HI、ResNet-CBAM、DRN-BiGRU等方法的预测结果进行了对比分析。研究结果表明:采用ResNet-ABiLSTM方法的两项误差值(RMSE、MAE)分别取得了0.037、0.029的最低值,其效果显著优于其他对比方法;该结果验证了ResNet-ABiLSTM方法对轴承RUL预测的准确性和有效性。