TFCA-GRU: алгоритм GRU с временным и характеристическим кооперативным вниманием для прогнозирования остаточного срока службы подшипников в различных условиях

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.