原创力文档- 1、本文档共9页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
振动与冲击
第43卷第4期JOURNALOFVIBRATIONANDSHOCKVol.43No.42024
基于MsTCN-Transformer模型的轴承剩余使用寿命预测研究
邓飞跃，陈哲，郝如江，杨绍普²
（1.石家庄铁道大学机械工程学院，石家庄050043；
2.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室，石家庄050043）
摘要：剩余使用寿命（remainingusefullife，RUL)预测是PHM的核心问题之一，复杂的运行工况往往导致设备
部件经历不同的故障退化过程,给RUL准确预测带来了巨大挑战。为此，提出了一种多尺度时间卷积网络（multi-scale
temporalconvolutionalnetwork，MsTCN）与Transformer（MsTCN-Transformer）融合模型用于变工况下滚动轴承RUL预测。
该方法设计了一种新的多尺度膨胀因果卷积单元（multi-scaledilatedcausalconvolutionunit，MsDCCU），能够自适应地挖
掘滚动轴承全寿命信号中固有的时序特征信息；然后构建了基于自注意力机制的Transformer网络模型，在克服预测序列
记忆力退化的基础上，准确学习时序特征与轴承RUL之间的映射关系。此外,通过对轴承不同故障退化阶段所提取的时
序特征可视化分析，验证了所提方法在变工况下所提取的时序特征泛化性较好。多种工况条件下滚动轴承RUL预测试
验表明,所提方法能够较为准确地实现变工况下轴承的RUL预测,相比当前多种方法RUL预测结果准确性更高。
关键词：剩余使用寿命；时序特征；时间卷积网络；Transformer网络；滚动轴承
中图分类号：TH17文献标志码：AD0I:10.13465/j.cnki.jvs.2024.04.032
ResearchonbearingremainingusefullifepredictionbasedonanMsTCN-Transformermodel
.2
DENGFeiyue,CHENZhel,HAORujiang,YANGShaopu?
(1.SchoolofMechanicalEngineering,ShijiazhuangTiedaoUniversity,Shijiazhuang050043,China;2.StateKeyLaboratoryof
MechanicalBehaviorinTrafficEngineeringStructureandSystemSafety,ShijiazhuangTiedaoUniversity,Shijiazhuang050043,China)
Abstract:Remainingusefullife(RUL)predictionisoneofthekeyissuestobesolvedinprognosticsandhealth
management(PHM).Equipmentcomponentssufferfromdifferentfailuredegradationprocessesduetotheinfluenceof
complexoperatingconditions,whichposesgreatchallengeforaccurateRULprediction.anoveljointmodeofmulti-scale
temporalconvolutionalnetwork
predicti
文档评论（0）