基于K-Means聚类的粒子群优化CNN-BiGRU-HAM发动机剩余使用寿命预测方法

来源：机床与液压杂志2024年第20期北京时间：

作者：王晓鹏，王磊，韩小伟，张鹏超，徐浩然

单位：陕西理工大学机械工程学院;陕西理工大学陕西省工业自动化重点实验室；陕西理工大学机械工程学院;陕西理工大学陕西省工业自动化重点实验室；陕西理工大学机械工程学院;陕西理工大学陕西省工业自动化重点实验室；陕西理工大学机械工程学院;陕西理工大学陕西省工业自动化重点实验室；陕西理工大学机械工程学院;陕西理工大学陕西省工业自动化重点实验室

摘要：飞机在多种工况条件下运行时，发动机退化特征复杂性不断增加，导致发动机剩余寿命预测精度低。针对此问题，提出一种基于聚类分析的端到端剩余寿命(RUL)预测方法。采用K-Means聚类方法对发动机的多种工况和运行条件进行分组；再利用卷积神经网络(CNN）提取反映剩余寿命复杂动态变化的高维特征，将结果输入到双向门控循环单元(BiGRU)中学习特征之间的变化规律，设计并引入了新的混合注意力机制（HAM），充分考虑变量之间的关系，对重要特征信息赋予更大的权重，同时抑制冗余信息的影响；然后进行非线性变换，获得RUL预测结果；最后使用粒子群优化算法对神经网络的超参数进行调优。采用美国航天局NASA研究中心提供的涡轮发动机模拟数据集验证所提网络模型的有效性。结果表明：对于多工况运行条件，所提方法的均方根误差相比于CNN、LSTM、BiLSTM、CNN-LSTM分别降低了49.2%、37.1%、33.6%、24.8%，有效提升了模型的预测精度。

关键词：多工况聚类;卷积神经网络(CNN);双向门控循环神经网络;混合注意力机制(HAM);粒子群优化算法

基金资助：国家自然科学基金面上项目（62176146）