基于RF-DGRU-SA的涡扇发动机剩余寿命预测

针对涡扇发动机在退化过程中机制复杂、状态检测数据维数过高等问题,提出一种随机森林(RF)和基于自注意力机制(SA)深度门控循环单元(DGRU)相融合的涡扇发动机剩余使用寿命(RUL)预测方法。利用RF算法确定重要度阈值实现特征筛选。将筛选出的特征输入DGRU-SA模块,通过多层GRU神经网络挖掘出相关特征与目标值之间的隐藏信息,利用SA神经网络为隐藏信息添加不同大小的权重。最后,利用全连接层输出预测结果,采用CMAPSS数据集进行实验验证。结果证明:与传统的多层感知机、卷积神经网络、长短时记忆等方法相比,所提出的融合模型误差更小,具有良好的预测精度和稳定性。