融合知识信息注意力模块的深度学习框架用于滚动轴承剩余使用寿命预测

《Applied Sciences》：Knowledge-Informed Attention for Remaining Useful Life Prediction for Rolling Bearings

　　

摘要

本研究提出了一种新颖的知识信息注意力模块（KIAM），并将其嵌入深度学习框架中，以提高滚动轴承剩余使用寿命（RUL）的预测精度。传统的挤压激励注意力机制已在各种应用中取得了巨大成功；然而，若不针对滚动轴承应用场景对该机制进行定制化设计而直接应用，可能会导致次优性能（例如，它倾向于强调最显著的信息，而非可能嵌入在信号中的退化相关信息）。因此，在本研究中，我们提出将人类知识融入注意力机制，以强调退化敏感信息，从而提高RUL预测精度。具体而言，所提出的KIAM通过引入健康指标（HI，由手工特征融合而成）来重新设计空间注意力，以取代原有的空间滤波器，并通过纳入当前时间戳的信息来重新设计通道注意力。值得注意的是，整个深度学习框架以原始振动信号作为输入（同时将人类知识作为注意力模块的输入），从而在不丢失信息的情况下有效提取健康代表性模式。我们利用公开的PRONOSTIA和IMS数据集进行实验，以验证所提方法的有效性。结果表明，所提方法在RUL预测精度方面表现优异（例如，在PRONOSTIA数据集上，平均预测误差的RMSE为，在IMS数据集上为），并优于当前最先进的方法。此外，结果还表明，经所提出的注意力机制重新校准后，特征质量（以Cori指数衡量）显著提升（提升幅度最高达）。