基于深度学习方法的航空发动机寿命预测模型

作     者：郭晓静 贠玉晶 徐晓慧 GUO Xiaojing;YUN Yujing;XU Xiaohui

作者机构：中国民航大学航空工程学院天津300300 中国民航大学电子信息与自动化学院天津300300 

出 版 物：《振动．测试与诊断》 (Journal of Vibration,Measurement & Diagnosis)

年 卷 期：2024年第44卷第2期

页      面：330-336,412页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 082502[工学-航空宇航推进理论与工程] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中央高校基本科研业务费专项资金资助项目(3122020026) 

主　　题：航空发动机 剩余寿命预测 协方差分析 注意力机制 长短期记忆网络 

摘      要：为提高航空发动机剩余寿命(remaining useful life,简称RUL)预测能力,构建了一种注意力机制与长短期记忆网络(long short-term memory,简称LSTM)融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差(root mean square error,简称RMSE)范围为[4.83,13.66],与卷积神经网络(convolutionneuralnetworks,简称CNN)、LSTM和双向长短期记忆网络(bi-directionallongshort-term memory,简称Bi-LSTM)方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。