摘要
本发明公开了基于改进型卷积神经网络的设备剩余寿命预测方法，旨在解决现有技术中计算复杂度高、特征提取能力不足以及预测精度有限的问题。该方法包括：基于CMPASS数据集，剔除无效特征并对剩余特征进行归一化处理，使用滑动窗口法构建固定长度的多维时间序列数据；构建改进型CNN网络，采用深度可分离卷积模块提取局部与全局特征，通过跳跃连接实现特征传递并缓解梯度消失问题，结合批量归一化层稳定训练，使用LeakyReLU激活函数增强非线性建模能力，并通过Dropout层防止过拟合；最后，通过全连接层生成设备剩余寿命的预测值。实验结果表明，本发明在CMPASS数据集上的MSE、MAE和R2等指标显著优于传统CNN、GRU和DCNN模型，具有更高的预测精度和泛化能力。
