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(convolution neural networks,简称 CNN)、LSTM 和双向长短期记忆网络(bi-directional long short-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.