来源：期刊VIP网 时间：
作者：王宏;郭志涛;张森;刘佳乐;
单位：河北工业大学电子信息工程学院;河北工业大学创新研究院(石家庄);
摘要：剩余使用寿命（RUL）的准确预测对确保系统的安全性至关重要。针对发动机原始数据中隐含的多样化退化特征难以捕捉，以及数据中存在大量的噪声干扰，从而影响RUL预测精度的问题，提出一种融合Kalman滤波的双注意力LSTM剩余使用寿命预测网络。利用Kalman滤波去除噪声干扰并捕获数据的变化趋势，将其作为下一阶段的输入；再采用编码器-编码特征提取-解码器结构将自注意力机制、高效通道注意力模块与LSTM融合。在编码时，利用LSTM初步提取数据的时间特征，随后通过自注意力机制与高效通道注意力模块，分别在不同尺度下进一步提取数据的时间和空间特征；提取的特征经多尺度特征融合后，输入解码器进行解码，从而获得RUL预测值。在C-MAPSS数据集上进行大量实验，以验证模型的有效性。结果表明，相比于目前其他先进模型，所提出的预测网络在预测精度方面具有显著优势。
关键词：剩余使用寿命预测;;Kalman滤波;;自注意力机制;;LSTM;;ECA机制;;特征提取;;多尺度融合
基金资助：河北工业大学创新研究院（石家庄）石家庄市科技合作专项基金（SJZZXB23005）
