基于多头自注意力多任务学习的无刷直流电机故障严重度评估与剩余使用寿命预测网络
《IEEE Access》:CTAP-Net: A Multi-Head Self-Attention-Based Multi-Task Framework for BLDC Motor Fault Diagnosis and RUL Prediction
【字体:
大
中
小
】
时间:2026年09月23日
来源:IEEE Access 4.2
编辑推荐:
无刷直流(BLDC)电机预测性维护的重要性正在迅速提升,这得益于对更高可靠性、运行效率、减少停机时间以及持续健康评估的持续需求。现有方法倾向于将故障诊断和剩余使用寿命(RUL)评估视为独立任务,这限制了它们为不同的诊断和预测目标使用相似表征的能力。在此,我们提出了一种基于多头
无刷直流(BLDC)电机预测性维护的重要性正在迅速提升,这得益于对更高可靠性、运行效率、减少停机时间以及持续健康评估的持续需求。现有方法倾向于将故障诊断和剩余使用寿命(RUL)评估视为独立任务,这限制了它们为不同的诊断和预测目标使用相似表征的能力。在此,我们提出了一种基于多头自注意力的 prognostic 网络(CTAP-Net),通过多任务学习同时实现故障严重程度评估和 RUL 预测。CTAP-Net 采用堆叠长短期记忆(LSTM)网络与多头自注意力机制的组合,以捕获基于多变量电机信号(如电流、温度、转速和扭矩)的时序退化模式。此外,还实现了一种跨任务特征融合机制,以促进 prognostic 和 diagnostic 分支中表征的共享学习。实验评估结果表明,CTAP-Net 在故障严重程度分类中的准确率为 89.1750%,Macro-F1 为 0.890904。在 RUL 估计方面,该模型得出 RMSE 为 0.042591,MAE 为 0.032429,R2 为 0.952374。为避免时序数据泄漏,在构建滑动窗口之前进行了数据划分,且未进行随机化。这些实验结果证明了 CTAP-Net 架构在诊断和 prognostic 任务的联合建模中的效率。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号