摘要
最近,基于深度学习的剩余寿命预测算法在解决轨道交通装备及关键零部件寿命评估中展示了巨大的前景。然而,随着工业技术的升级,短周期的零部件状态监测数据已经不能显著反应剩余寿命的变化,剩余寿命预测对现存算法的预测能力也提出了更高的要求,即能够精确地捕捉输入和输出之间的长周期依赖性特征,以提高模型的准确率。为了解决这一问题,提出了基于改进Transformer的剩余寿命预测算法(LongTransformer)。在该模型中,通过使用级联层输入减半方式的自注意力网络来增强对于长周期时间序列依赖关系特征的提取,从而有效地处理较长的输入序列,提升模型的预测能力。在真实的数据集上进行的大量实验,与基线方法相比,LongTransformer的MAE值、RMSE值分别降低了31.97%~81.08%、28.66%~82.75%。
作者
代钰
赵蓉
郭浩男
高振
杨雷
DAI Yu;ZHAO Rong;GUO Hao-nan;GAO Zhen;YANG Lei
出处
《制造业自动化》
CSCD
北大核心
2022年第11期160-164,共5页
Manufacturing Automation
基金
国家重点研究计划(2019YFB1405402)。
