10.13477/j.cnki.aeroengine.2023.04.017
基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测
为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用神经网络获取涡扇发动机剩余寿命的研究.利用堆叠自编码(SAE)网络从高维传感器数据中提取健康因子(HI),采用1维卷积神经网络-双向门控循环单元(1D-CNN-BGRU)方法捕捉HI序列中的空间和时间特征,并引入自注意(SA)机制对捕捉的特征分配权重,使用全连接层输出涡扇发动机剩余使用寿命(RUL),以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测.结果表明:利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评分函数225的结果.证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机维修保障及健康管理提供有效决策支撑.
剩余使用寿命、堆叠自编码网络、1维卷积神经网络、双向门控循环单元、涡扇发动机、智能运维、深度学习
49
V23(航空发动机(推进系统))
国家自然科学基金51975191
2023-09-14(万方平台首次上网日期,不代表论文的发表时间)
共6页
134-139