基于XGBoost-DCNN的航空发动机剩余寿命预测

航空发动机作为飞机的核心部件,内部结构复杂,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。采集的数据中,由于设备振动和环境的影响,噪声是不可避免的。为此,提出基于异常值剔除的深度卷积网络(DCNN)的航空发动机剩余寿命预测方法。首先,基于NASA提供的C-MAPSS航空发动机数据集,采用皮尔逊相关系数法筛选与航空发动机剩余寿命强相关的传感器数据,再利用XGBoost算法剔除异常数据,建立航空发动机剩余寿命模型数据集;最后,将数据Z-Score标准化构建时间序列数据作为DCNN模型输入构建航空发动机剩余寿命预测模型。为了验证方法的有效性,与改进卷积神经网络等方法对比,结果表明XGBoost-DCNN模型拥有更高的精度。