论文标题：Machine Remaining Useful Life Prediction via an Attention-Based Deep Learning Approach

期刊信息：IEEE TIE (中科院1区, JCR Q1 TOP, IF=7.5)

引用：Chen Z, Wu M, Zhao R, et al. Machine remaining useful life prediction via an attention-based deep learning approach[J]. IEEE Transactions on Industrial Electronics, 2020, 68(3): 2521-2531.

提出了一个基于注意力的深度学习框架，用于RUL预测。该方法首先利用LSTM网络从原始感官数据中学习具有代表性的序列特征。然后，开发了一个注意网络来学习特征和时间步长的重要性，并对更重要的特征和时间步赋予更大的权重。最后，提出了一个特征融合框架，通过将自动学习到的特征与一些有用的手工特征相结合，充分利用所有可用的信息进行机器规则学习的最终预测。为了验证所提出的RUL预测方法的有效性，我们使用真实数据集进行评估，并将其与机器RUL预测的各种最新方法进行比较。本文的主要贡献总结如下：

提出了一种基于注意力的深度学习框架用于机器RUL预测。注意网络能够学习特征和时间步长的重要性，并为更重要的特征和时间步长分配更大的权重，以提高RUL预测的性能；

由于一些具有领域知识的手工特征可能为规则语言的预测传递有意义的信息，提出了一个特征融合框架，将自动学习的特征和一些有意义的手工特征结合起来，用于规则语言的最终预测；

利用真实数据集来评估所提出方法的性能。结果表明，该方法可以显著提高RUL预测的性能。

机械系统预测和健康管理的核心任务是预测机器的剩余使用寿命(RUL)。目前，具有自动特征学习的深度结构，如长短期记忆(LSTM)，在RUL预测中取得了很好的效果。然而，传统的LSTM网络只使用最后一个时间步长学习到的特征进行回归或分类，效率不高。此外，一些具有领域知识的手工特征可以为规则学习的预测传递额外的信息。因此，将这些手工制作的特征和自动学习的特征集成到RUL预测中是非常有动力的。在本文中，提出了一个基于注意力的深度学习框架，用于机器的规则学习预测。利用LSTM网络从原始感官数据中学习序列特征。同时，所提出的注意机制能够学习特征和时间步长的重要性，并对更重要的特征和时间步赋予更大的权重。此外，开发了一种特征融合框架，将手工特征与自动学习的特征相结合，提高了RUL预测的性能。在两个真实数据集上进行了大量的实验，实验结果表明，提出的方法优于目前的方法。

关键词：注意机制、特征融合、手工特征、长短期记忆(LSTM)、机器剩余使用寿命(RUL)预测、预后和健康管理(PHM)。

在本文中，提出了一个基于注意力的深度学习框架用于机器规则学习预测。首先，采用LSTM的深度学习算法对原始感官数据进行自动特征学习。然后，提出了一种注意机制来学习特征和时间步长的重要性，并自动为更重要的特征赋予更大的权重。同时，一些具有领域知识的手工特征可以为规则学习预测传递额外的信息。为此，设计了一种特征融合框架，将手工特征与自动学习特征相结合，以提高RUL预测的性能。使用真实数据集对所提出的方法进行了评估。由于滑动窗口的大小对RUL预测很重要，因此研究了不同窗口大小对预测性能的影响。然后，我们验证了所提出的注意机制和特征融合在机器RUL预测中的有效性。最后，与各种最先进的方法进行了比较。拟议的方法在两个流行的评价标准下优于这些最先进的方法。

对于基于机器学习的规则学习预测，基本假设是训练数据和测试数据之间的下划线模式是相同的。然而，如果训练和测试数据是在不同的环境、工作条件或机器下收集的，那么训练和测试数据之间的下划线模式可能是不同的，这将阻碍基于机器学习的方法的性能。为了解决这一问题，可以采用迁移学习，将学习到的知识从一个领域迁移到另一个领域。在未来的工作中，将在不同的环境、工作条件和机器上研究基于迁移学习的规则学习预测。