关键词：预测性维护;剩余寿命预测;特征提取;特征融合;深度学习;自注意力机制
摘 要：工程机械设备的预测性维护能确保设备高效运行和维护计划的合理安排，其关键在于准确预测设备系统或核心部件的剩余寿命。针对工程机械设备预测性维护中的特征提取和预测精度难题，本文提出了基于特征融合的Informer机械设备核心部件剩余寿命预测框架。首先，采用按寿命比例的训练样本构造方法优化数据利用率，采用巴特沃斯高通滤波器和小波降噪对原始数据进行滤波和降噪，并对原始数据进行特征扩展来提取关键特征，使用XGBoost算法进行特征选择，然后，按设备类型将特征选择后的数据分类，设计了基于Informer的机械核心部件剩余寿命预测模型，进行分类训练。使用公开数据集对模型进行验证，与其他预测模型的预测结果进行比较，验证了基于特征融合的Informer预测模型能够实现最准确的预测。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取