基于注意力的深度学习方法进行机器剩余使用寿命预测

对于机械系统的预后和健康管理，核心任务是预测机器的剩余使用寿命（RUL）。目前，具有自动特征学习的深度结构，如长短期记忆（LSTM），在RUL预测中取得了良好的效果。然而，传统的LSTM网络仅在最后一个时间步使用学习到的特征进行回归或分类，这并不高效。此外，一些带有领域知识的手工特征可能会传递额外的信息来预测RUL。因此，将这些手工特征与自动学习的特征结合起来进行RUL预测是非常有意义的。在本文中，我们提出了一种基于注意力的深度学习框架用于机器的RUL预测。LSTM网络被用于从原始传感器数据中学习序列特征。同时，所提出的注意力机制能够学习特征和时间步的重要性，并为更重要的特征分配更大的权重。此外，开发了一个特征融合框架，将手工特征与自动学习的特征结合起来，以提高RUL预测的性能。我们在两个真实数据集上进行了大量实验，实验结果表明我们提出的方法优于现有的先进技术。