基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题，提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型，将模型在源域上学习的寿命预测知识迁移到目标域，可用小样本无标签数据训练出迁移模型。首先，采用有效通道注意力模块对源域数据特征重新标定；其次，使用时间卷积网络(temporal convolutional network, TCN)学习特征信息，并训练出最优源域模型；最后，利用源域数据、源域模型和目标域数据训练出迁移模型，迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验，结果表明，该方法可以更好地挖掘轴承内在退化趋势，有效提高剩余使用寿命预测精度，对比现有流行预测方法预测误差降低40.1%～77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。