基于时间卷积注意力网络的剩余寿命预测方法
来源：计算机集成制造系统杂志2022年第8期北京时间：
作者：刘丽, 裴行智, 雷雪梅
单位：1.北京科技大学自动化学院2.北京科技大学顺德研究生院3.北京科技大学信息化建设与管理办公室
摘要：剩余使用寿命(RUL)预测对于保障现代工业设备的安全运行、降低维护成本具有重要意义。目前已有基于循环神经网络(RNN)的RUL预测模型结构比较复杂,且缺乏一种从多传感器数据中提取重要退化信息的有效机制。因此,设计了一种新的用于RUL预测的时间卷积注意力网络(TCAN)模型。在TCAN中使用结构相对比较简单的时间卷积神经网络(TCN)来提取传感器数据中的退化特征,然后利用注意力机制从TCN中提取重要的退化特征信息。最后,将学习得到的高层特征表示展开并输入全连接层,输出预测的RUL值。在C-MAPSS数据集上与其他方法相比较,分析了TCAN模型的性能,实验结果表明TCAN可以更有效地提高RUL预测的精度。
关键词：深度学习,剩余使用寿命,时间卷积神经网络,注意力机制
基金资助：国家自然科学基金面上资助项目(12071025);佛山市科技创新专项资金资助项目(BK20AE004)。
