基于多粗粒度与注意力网络的轴承剩余寿命预测

考虑到轴承的振动信号往往分布在多个时间尺度上,该文提出一种基于多粗粒度与注意力网络的轴承剩余寿命(RUL)预测方法。首先采用多尺度粗粒度操作处理轴承的原始振动信号,从而获得蕴含更丰富退化信息的多尺度信号,在网络中以多尺度池化层来实现多尺度粗粒度操作;其次,基于大步幅卷积等网络层对多尺度信号进行深层特征提取、压缩、融合;此外,在网络中引入改进的卷积注意力模块为深层特征进行重标定,自适应地为不同通道和不同空间分配最佳权重;最后,将经注意力加权后的特征输入到前馈神经网络中映射得到RUL值。通过PRONOSTIA轴承数据进行实验分析,实验结果验证所提方法的有效性与优越性。