基于多尺度特征融合的航空发动机剩余寿命预测

针对航空发动机原始数据中存在多样化退化信息及大量噪声干扰的问题,建立了一种基于多尺度特征融合的发动机剩余可用寿命(RUL)预测模型。构建了一种基于统计量的方法来降低原始数据中的噪声干扰;基于卷积双向长短期记忆网络(ConvBiLSTM)和多头注意力机制(Multi-Attention)设计了加权时空特征提取模块(WSTFEM);采用多尺度学习策略,构建多尺度卷积双向长短期记忆网络(MCBLSTM)提取数据在不同时间尺度下的加权时空特征;提取数据手工特征为RUL预测提供具有针对性和解释性的退化信息;将上述特征进行特征融合后输入至全连接网络获得RUL预测值。以FD004子集为例,使用C-MAPSS数据集对模型进行仿真试验验证。结果表明:MCBLSTM模型在4个子数据集上RUL预测精度更高。相较于BiLSTM,均方根误差减小了20.35%,非对称评分函数下降了54.76%。