基于多通道模型的旋转机械剩余寿命预测.pdfVIP

摘要

随着时代的发展和交通运输产业的进步，对机械设备的运转安全性提出了更高

的要求。旋转机械作为传统机械设备的重要组成部分，如何在不同工况下，对其剩

余寿命进行预测，对于生产安全有着至关重要的意义。

针对传统深度学习方法，网络深度不足导致预测精度不高的问题，提出了一种

多通道网络模型对输入信号进行深度挖掘以此提高寿命预测的准确性。本文的研究

成果如下：

1．针对目前流行的串行网络预测模型进行了分模块改进，主要包括：数据处

理、神经网络、注意力机制、泛化性检验设计。用互补集合经验模态分解

(ComplementaryEnsembleEmpiricalModeDecomposition,CEEMD)代替集合经验模态

分解(EnsembleEmpiricalModeDecomposition,EEMD)，解决信号模态混淆和噪声干

扰问题，用具有高感受野和能够感受时序变化的时间卷积网络(TimeConvolutional

Networks,TCN)代替传统的卷积神经网络，用时序注意力机制(TemporalAttention,

TA)代替普通的注意力机制，在时序方向上对模型的权重进行再分配，引入迁移学

习对模型的泛化性进行检验。

2．针对目前已有的串行网络结构，提出了一种创新架构即：多通道并行网络

结构。引入多种目前研究中热门的网络模型，利用不同网络对于特征信息的关注重

点不同，充分挖掘数据特征隐藏信息，建立与剩余寿命退化曲线强相关模型。为了

解决由于模型复杂带来的训练速度慢问题，引入目前热门的大语言模型Transformer

中的注意力机制：多头注意力机制，对多种复杂特征进行重构重组，重点关注高权

重特征。经过实验验证，所提模型在预测精度上明显优于传统架构模型。

3．为了进一步验证所提模型在其它旋转机械中的有效性，将多通道模型的思

想迁移应用到涡扇发动机中，对模型结构进行小部分调整，代入发动机监测特征并

进行实验验证，结果表明，所提模型能够很好地追踪发动机寿命曲线退化趋势，充

分体现了模型的泛化性。

关键词：旋转机械；寿命预测；多通道模型；健康管理

Abstract

Withthedevelopmentofthetimesandtheprogressofthetransportationindustry,

higherrequirementshavebeenputforwardfortheoperationalsafetyofmechanical

equipment.Asanimportantcomponentoftraditionalmechanicalequipment,predicting

theremaininglifeofrotatingmachineryunderdifferentworkingconditionsisofcrucial

significanceforproductionsafety.

Aimingattheproblemoflowpredictionaccuracycausedbyinsufficientnetwork

depthintraditionaldeeplearningmethods,amulti-channelnetworkmodelisproposed

todeeplymineinputsignalstoimprovetheaccuracyoflifespanprediction.The

researchresultsofthisarticleareasfollows:

1.Wehavemademodularimprovementstothecurrentlypopularserialnetwork

predictionmodel,mainlyincludingdataprocessing,neuralnetworks,attention

mechanisms,andgeneralizationtestingdesign.Co