双通道深度卷积神经网络的航空发动机剩余使用寿命预测方法

提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集（CMAPSS）上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

多源统计数据驱动的航空发动机剩余寿命预测方法

针对统计数据驱动方法中多变量无法建立退化模型的问题,提出了一种多源统计数据驱动的航空发动机剩余寿命(RUL)预测方法。建立了基于欧氏距离的航空发动机监测信息融合模型,综合多源监测数据以量化发动机健康状态退化过程;构建了基于非线性漂移维纳过程的航空发动机退化模型,推导发动机剩余寿命概率密度函数解析式,实现对发动机剩余寿命的估计。选取C-MAPSS数据集进行仿真实验,结果表明,与已有研究结果相比,所提方法预测结果在确定系数和惩罚得分两项均有所改进。该方法可为其他非线性退化系统的RUL预测提供一定的参考。     

基于注意力与LSTM的航空发动机剩余寿命预测

预测性维护的核心技术之一是设备剩余寿命(remaining useful life, RUL)预测。为了提高航空发动机的剩余寿命预测精度,提出了一种基于注意力与长短期记忆(directional long short-term memory, LSTM)网络的航空发动机剩余寿命预测模型Attention-LSTM,通过引入注意力机制增强各时间点数据的特征权重,有效提升了模型预测精度。使用NASA C-MAPSS涡扇发动机仿真数据集进行实验,与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明,提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。     

基于健康指数相似的航空发动机剩余寿命预测

针对机载快速存取记录器(QAR)详细记录了发动机全周期多源性能参数的特点,提出了一种基于时间序列相似性匹配的航空发动机剩余寿命预测方法。首先通过相关分析选取与发动机性能衰退密切相关的参数,利用狄克松判定准则剔除原始数据异常值,将多个性能参数通过状态空间模型融合为健康指数来表征发动机衰退状态;然后通过K-means聚类分析法重构发动机健康指数序列;最后计算序列之间的相似度,依据相似度大小赋予参照样本不同权重预测发动机剩余寿命。通过航空公司实际数据对该方法进行验证,结果表明该方法具有较好的预测精度。     

基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力（ProbSparse Self-Attention）的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。     

基于Autoencoder-TCN的航空发动机排气温度预测

针对目前航空发动机排气温度预测模型精度不高、传统RNN类神经网络对飞行数据时间维度信息挖掘不充分的问题,提出了一种结合自编码器Autoencoder和时间卷积神经网络TCN的航空发动机排气温度预测模型。首先通过Autoencoder方法从飞行数据中提取与排气温度相关的特征,以降维后的特征作为输入,建立TCN网络深度学习模型,以航空发动机排气温度作为输出,充分挖掘飞行数据的时间维度信息,从而提高模型精度。最后选取真实飞行数据进行实验,结果表明,与BP、LSTM神经网络模型相比,该模型的平均绝对百分比误差由13.035%和9.593%降低至3.369%,有效提高了模型预测精度。     

基于Transformer的多特征融合的航空发动机剩余使用寿命预测

发动机作为飞机的核心部件,对飞机运行起着至关重要的作用.对航空发动机做准确的剩余使用寿命预测,能够提前进行维护诊断,预防重大事故的发生,节约维护成本.针对现有的方法缺乏对不同时间步长的考虑以及不同传感器和操作条件之间关系的研究,提出了一种基于Transformer的多编码器特征输出融合的航空发动机剩余使用寿命预测方法.该方法选取两个不同时间长度的输入数据,使用排列熵对传感器之间的关系进行分析,并将操作条件数据独立提取特征.在广泛使用的航空发动机CMAPSS(Commercial Modular Aero-Propulsion System Simulation)数据集上进行了实验验证.实验结果表明,该方法优于现有的先进预测方法,可有效提高预测精度.     

一种预测锂电池剩余寿命的改进粒子滤波算法

粒子滤波算法本身存在着粒子退化问题,对于衰减趋势变化剧烈的模型,难以获得精确的预测结果,限制了算法的适用范围。针对以上问题对粒子滤波进行改进,通过引入粒子群优化算法中的粒子更新机制,优化粒子的全局位置信息,进而重新分配各粒子权重,降低了重采样阶段粒子重置的比例,改善了算法固有的粒子退化现象,达到改进算法、提升算法预测性能的目的;同时,为验证算法的实际效果,以马里兰大学先进寿命周期工程中心(CALCE)发布的锂电池容量实验数据集为基础,分别使用传统粒子滤波算法与改进的算法进行剩余寿命预测仿真。经过对比发现:改进算法误差下降33.6%,可获得更为精确的预测结果,重采样率下降18.3%,粒子退化问题得到改善。     

一种混合退化系统剩余寿命预测方法

针对传统的预测方法不能同时考虑线性和非线性退化问题,提出了一种基于维纳过程的带随机参数和确定参数的混合退化模型.基于首达时间(FHT)的概念给出了剩余寿命(RUL)的解析渐进显式形式,模型中随机参数通过Kalman滤波技术实时更新,确定参数采用极大似然估计进行估计.最后,采用陀螺仪实验数据验证了该方法的有效性.     

基于MIC特征提取与BO-CatBoost的航空发动机RUL预测

针对航空发动机传感器监测的退化参数提取困难,易受噪声干扰及发动机剩余使用寿命预测精度不足等问题,利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法,提出了一种新的发动机剩余使用寿命预测模型。首先,为有效解决特征提取不足的问题,对采集的传感器历史监测特征进行最大信息系数相关性计算,提取出对发动机寿命运行周期影响较大的关键退化特征。其次,为解决剩余使用寿命预测中的梯度偏差及预测偏移问题,使用基于贝叶斯优化的类别特征梯度提升方法对航空发动机进行剩余使用寿命预测。最后,在美国航空航天局提供的商用模块化航空推进系统仿真数据集上进行实验,结果表明所提预测方法的性能较好,验证了该方法的有效性。     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于迁移学习的轴承剩余使用寿命预测方法

针对目前大多数基于人工智能的轴承剩余使用寿命(remaining useful life,RUL)预测方法不能很好地预测不同工况下轴承剩余寿命的问题,提出了一种基于迁移学习的寿命预测方法,对不同工况下的轴承进行剩余寿命预测.对采集的轴承原始振动信号进行傅里叶变换得到频域信号,以卷积神经网络和长短时记忆网络作为特征提取器...