Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network

Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network

Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network

问题:

轴承剩余使用寿命估计RUL

解决问题面对的挑战

如何有效地从数据中提取特征并准确预测RUL

已有工作的优缺点

RUL方法

1. 基于模型的方法需要充分理解系统的失效机理并建立描述退化趋势的物理模型。在系统复杂的情况下，这种信息很难获得。
2. 数据驱动方法通常需要： 1. 通过信号处理或统计投影手动提出或提取HIs。2： 在模型选择和参数调整方面的很麻烦。3. 用于RUL估计的自动特征表示和学习方法要求很高。

本工作的和已有工作的区别

区别：

​ 与传统的仅利用最后一个卷积层特征的CNN结构不同，**MSCNN结构将之前的最后一个卷积层与池层集成，形成一个多尺度（混合）层，以便为预测保留多个抽象级别。**该模型中有效的特征挖掘能成功预测RUL。

本工作的贡献可以总结如下：

1） 采用MSCNN模型结构来提取更多可识别特征，用于RUL预测。通过多尺度层，保持全局和局部特征，以增强