加急见刊

基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

宋亚; 夏唐斌; 郑宇; 卓鹏程; 潘尔顺 上海交通大学机械与动力工程学院; 上海200240; 上海交通大学上海市网络制造与企业信息化重点实验室; 上海200240

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。

注: 保护知识产权,如需阅读全文请联系计算机集成制造系统杂志社