文章目录
项目介绍
在 Multi-Scale Convolutional Attention Network for Predicting Remaining Useful Life of Machinery 一文中,作者提出了一种新的深度预测框架——多尺度卷积注意力网络 (MSCAN),用于预测机器的剩余使用寿命 (RUL),其主要贡献有以下三点:
- 1)两种自注意机制:通道注意力机制和时间注意力机制两种方法。这两种注意力机制的嵌入使得预测网络能够动态地强调有区分性的信息,同时抑制无用信息,从而促进信息在网络内的流动,增强网络的表征能力。
- 2)利用平行卷积路径开发了一种多尺度学习策略,使预测网络能够从不同的时间尺度自动提取退化特征,从而保证了表征的完整性。
- 3)用动态全连接层 (DDL) 替代传统的全连接层。在 DDL 中,动态高斯失活 (Dynamic Gaussian dropout) 首先提供了一种时变策略来防止神经元间的协同适应,有效地缓解了过度拟合问题,增强了网络的泛化性。然后在 DDL 中引入 Maxout 激活函数来提高推理能力,进一步提高了 RUL 的预测精度。