基于深度学习方法的航空发动机寿命预测模型 |
| |
引用本文: | 郭晓静,贠玉晶,徐晓慧.基于深度学习方法的航空发动机寿命预测模型[J].振动.测试与诊断,2024(2):330-336+412. |
| |
作者姓名: | 郭晓静 贠玉晶 徐晓慧 |
| |
作者单位: | 1. 中国民航大学航空工程学院;2. 中国民航大学电子信息与自动化学院 |
| |
基金项目: | 中央高校基本科研业务费专项资金资助项目(3122020026); |
| |
摘 要: | 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。
|
关 键 词: | 航空发动机 剩余寿命预测 协方差分析 注意力机制 长短期记忆网络 |
|