基于深度学习方法的航空发动机寿命预测模型

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。

基于改进LSTM的航空发动机寿命预测方法研究

发动机剩余寿命(RUL)预测时,进行数据特征提取易导致预测效率低下。为解决此问题,提出一种改进的长短期记忆(LSTM)算法模型。通过引入深度稀疏自动编码器(SDAE)完成时序数据的处理与特征提取,优化LSTM模型,改善航空发动机RUL预测效果。利用SDAE进行特征提取,构建健康因子(HI)曲线;同时考虑运行工况、故障模式和传感器3个因素,并分别训练其权重。利用LSTM模型进行发动机剩余寿命预测。利用涡扇发动机退化过程数据集C-MAPSS开展实验,并与DNN、BiLSTM、单层LSTM进行对比分析。结果表明:与上述3种算法相比,改进后算法的均方根误差和评分函数值至少分别降低6.6%和39.1%;该方法寿命预测结果和实际寿命曲线拟合度高,验证了该方法的可行性和有效性。