基于卷积变分自编码和多头自注意力机制的断路器剩余机械寿命预测

针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。首先依据断路器不同的事件区间提取参数特征,再通过CVAE挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立GRU-MSA的定量寿命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。最后利用3台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在3个数据集中寿命预测均方根误差(RMSE)分别为141.46、128.75和134.16,平均绝对误差(MAE)分别为112.17、101.52和106.22,预测精度高且稳定性好,相对于其他混合预测模型更具优势。

基于全卷积变分自编码网络FCVAE的轴承剩余寿命预测方法

由于制造工艺、运行环境等的影响,同型号轴承的使用寿命往往存在较大的个体差异性。在轴承剩余寿命预测中,如果从信号中提取的特征的泛化能力不足,将导致模型预测结果稳定性较差。为此,提出一种基于全卷积变分自编码网络(FCVAE)的轴承的剩余寿命预测方法。该方法用全卷积神经网络(FCNN)改进变分自编码器(VAE),在降低网络复杂度的同时强化所提取特征的泛化能力,并利用频域信号作为模型输入,以进一步降低特征学习的难度,同时设计加权平均方法平滑预测结果。通过试验数据集对所提方法进行验证,结果表明:该方法预测结果的平均误差相比于传统支持向量回归(SVR)降低了64%,比卷积神经网络(CNN)降低45.5%,比VAE降低47.5%。