%0 Journal Article
%A 李耀华1
%A 2
%A 张宇1
%A 杨通江2
%A 石瑞勃1
%T 基于MRF_GCN-Transformer的滚动轴承剩余寿命预测
%D 2025
%R 
%J 振动与冲击
%P 328-337
%V 44
%N 20
%X 针对传统神经网络在处理滚动轴承振动信号时，由于信号的非线性和非平稳性导致的预测精度不高的问题，提出了一种基于MRF_GCN-Transformer的滚动轴承剩余寿命预测方法，结合多感受野图卷积网络（Multireceptive Field Graph Convolutional Networks，MRF-GCN）和Transformer网络对轴承的振动信号进行特征提取和寿命预测。相较于传统GCN忽视邻居节点重要性差异且采用固定的感受野，MRF-GCN方法通过引入多个感受野，有效捕捉图结构中的多尺度信息，并通过可学习的权重参数优化模型对复杂关系的捕捉。同时提出一种基于邻接矩阵调整注意力得分的图注意力机制，可以自动构建时间与特征相关的图结构，并在训练过程中自适应学习连接权重，从而优化模型对复杂关系的捕捉并提升预测准确性。实验结果表明，该模型在PHM2012公开数据集上的预测性能表现良好，具有较高的准确性和鲁棒性，与CNN-Transformer和Transformer-BiLSTM等网络相比，平均绝对误差和均方根误差分别平均降低了12.7%和37.39%。决定系数平均提高了5.90%。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14562.shtml