基于深度长短期记忆网络的发动机叶片剩余寿命预测

• 作者: 马奇友 刘可薇 杜坚 仇芝
• 来源期刊: 推进技术
• 关键词: 航空发动机 叶片 寿命预测 预测模型 深度学习 数据融合 数据处理
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 结构 强度 可靠性|Structure, Strength and Reliability
• 页码范围: 1888-1897
• 页数: 10页
• 分类号: V263.6
• 语种: 中文
• DOI: 10.13675/j.cnki.tjjs.190863

摘要

为了预测航空发动机转子叶片的剩余寿命,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型.利用深度学习和长短期记忆的组合来构造DLSTM网络,将多个传感器信号数据进行融合处理,通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系.在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化.最后,利用CMAPSS涡扇发动机进行了实验验证.在一种故障模式和两种故障模式下,DLSTM网络预测模型相对于其它传统方法在评价指标上占优,表明本文提出的方法具有更高的准确性以及稳定性.