改进的卷积神经网络在发动机剩余使用寿命预测中的应用

作     者：张佳旭 

作者单位：东北大学 

学位级别：硕士

导师姓名：宋叔尼

授予年度：2020年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 082503[工学-航空宇航制造工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

主      题：剩余使用寿命预测 深度卷积神经网络 优化算法 

摘      要：系统预测和健康管理(PHM)的目标包括通过监控设备状况,最大限度地提高操作的可用性,降低维护成本,提高系统可靠性和安全性。剩余使用寿命是PHM的重要一环,它可以根据历史轨迹数据进行估算。为增强神经网络的收敛性,本文使用基于信赖域搜索的limited BFGS算法(L-BFGS)在模型迭代后期替换了传统神经网络优化算法,从实际数据本身出发,在航空发动机剩余使用寿命预测的数据集上进行了实验。1.引入了 LU分解提高牛顿法Hessian矩阵求逆运算的计算效率,引入了正则牛顿法解决Hessian矩阵正定性问题以保证牛顿法能够正常迭代使用。2.针对神经网络梯度下降后期出现的损失振荡问题,利用基于信赖域搜索的L-BFGS算法、牛顿法、正则牛顿法作为模型迭代后期优化算法替代原始优化算法,使用UCI公共数据集验证了基于信赖域搜索的L-BFGS算法作为优化算法具有更好的性能。3.基于航空发动机剩余使用寿命预测数据集,利用Python实现了深度卷积神经网络,对剩余使用寿命进行预测。基于信赖域搜索的L-BFGS算法的深度卷积神经网络具有良好的预测能力,有效增加了神经网络的收敛性能,预测结果与文献中方法取得的结果进行比较,测试集均方误差降低了 3.0199%。