基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

• 作者: 卓鹏程 夏唐斌 宋亚 潘尔顺 郑宇
• 来源期刊: 计算机集成制造系统
• 学科: 工学
• 关键词: 智能服务技术 剩余使用寿命 自编码神经网络 双向长短期记忆神经网络 深度学习 故障诊断 涡扇发动机
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 数字化/智能化/网络化制造技术
• 页码范围: 1611-1619
• 页数: 9页
• 分类号: TP183|V23
• 字数: 6040字
• 语种: 中文
• DOI: 10.13196/j.cims.2019.07.001

摘要

准确预测涡扇发动机的剩余使用寿命,对于合理制定维护策略,降低维护成本具有重要意义.针对发动机状态监测数据样本量大、维度高的特点,提出一种整合自编码神经网络(Autoencoder)和双向长短期记忆(BLSTM)神经网络优势的混合健康状态预测模型,优化涡扇发动机的剩余使用寿命预测.首先利用Autoencoder方法作为特征提取工具,对状态监测数据进行压缩,然后利用BLSTM方法捕捉特征双向长程依赖的特性,构建剩余使用寿命的混合深度学习预测模型.基于通用数据集开展测试比较,结果表明Autoencoder-BLSTM混合模型的预测精度优于现有多层感知机、支持向量回归、卷积神经网络和长短期记忆神经网络等方法,可有力支撑涡扇发动机的健康管理与运维决策.