基于深度残差收缩网络和优化BiLSTM的轴承剩余寿命预测方法

根据《基于DRSN和优化BiLSTM的轴承剩余寿命预测方法》所述，针对传统轴承寿命预测方法过度依赖先验知识、缺乏自适应性及退化特征难以提取导致的预测误差大的问题，有学者提出了一种基于深度残差收缩网络（Deep Residual Shrinkage Network，DRSN）和双向长短时记忆网络（Bidirectional Long-Short-Term Memory network，BiLSTM）的轴承剩余寿命预测方法。

首先，无需任何先验知识，利用深度残差收缩网络对轴承原始信号进行自动特征学习，提取退化特征并构建健康指标；然后，采用麻雀搜索算法优化BiLSTM隐藏层神经元个数和学习率，基于优化的BiLSTM网络建立轴承剩余寿命预测模型。

在残差网络ResNet网络结构的基础上，深度残差收缩网络增加了注意力机制——挤压激励网络（Squeeze-and-excitation network，SENet）和软阈值函数。深度残差收缩网络将SENet结构的非线性层替换为软阈值函数后融合到残差网络结构之中，它的实质就是将SENet中每个特征通道的软阈值化代替加权操作，使其能够保留数据集更有用的特征，从而提高深度残差收缩网络在复杂数据集上的特征学习能力，最终得到更优的模型。

最后，进行对比实验验证：分别对比深度残差收缩网络、残差网络、均值特征三种方法提取的健康指标的性能和不同的轴承剩余寿命寿命预测模型进行对比实验。实验结果验证了方法的有效性。