Детальная информация

Accurate prediction of the remaining useful life (RUL) of rolling bearings under different operating conditions is essential to enable proactive maintenance of industrial systems. To address the limitations of traditional recursive models in capturing complex time dependencies and distinguishing sensor contributions, we propose a temporal and feature cooperative attention-based gated recursive unit (TFCA-GRU). By integrating temporal and feature channel attention mechanisms, the model adaptively focuses on degradation-related time steps and key sensor features to build more robust RUL models from multidimensional time-frequency fusion data. Therefore, the TFCA-GRU enables sensitive extraction of critical features from long-term dependencies and local feature information. The validity of the proposed TFCA-GRU is verified using the bearing dataset from the XJTU-SY and the IEEE PHM 2012 Prognostic Challenge. This paper also provides the model’s intrinsic interpretability through structured non-uniform attentional learning across time and feature dimensions. This reveals TFCA-GRU's selective attention to information time intervals and feature dimensions, which improves the transparency of the model. Experimental results show that the proposed TFCA-GRU performs better than some existing prediction methods in bearing RUL prediction across operating conditions.

Точное прогнозирование остаточного ресурса (Remaining Useful Life, RUL) подшипников качения в различных условиях эксплуатации является ключевым элементом для организации проактивного обслуживания промышленных систем. Для преодоления ограничений традиционных рекурсивных моделей, которые не всегда способны улавливать сложные временные зависимости и различать вклад отдельных датчиков, мы предлагаем рекуррентный блок с механизмом совместного внимания по временной и признаковой размерностям (TFCA-GRU). Механизм TFCA-GRU интегрирует внимание к временной последовательности и к каналам признаков, что позволяет модели адаптивно фокусироваться на ключевых этапах временной динамики, связанных с деградацией, а также на наиболее информативных сенсорных признаках. Это, в свою очередь, позволяет строить более устойчивые модели RUL на основе многомерных частотно-временных данных. Таким образом, TFCA-GRU обеспечивает более чувствительное извлечение критических признаков из долговременных зависимостей и локальной признаковой информации. Модель была верифицирована на наборах данных XJTU-SY и IEEE PHM 2012 Prognostic Challenge. В работе также подчеркивается внутренняя интерпретируемость модели, которая достигается за счет структурированного неравномерного обучения внимания по временной и признаковой размерностям. Это позволяет раскрыть избирательное внимание TFCA-GRU к информативным временным интервалам и признаковым размерностям, что в свою очередь повышает прозрачность модели. Экспериментальные результаты показывают, что предложенная модель TFCA-GRU превосходит некоторые существующие методы прогнозирования RUL подшипников в различных условиях эксплуатации, что делает ее перспективной для практического применения в промышленных системах.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 19, № 2, 2026. — 1 файл (11,2 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j26-302.pdf>.