基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

来源：计算机集成制造系统杂志2019年第7期北京时间：

作者：宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺

单位：1.上海交通大学机械与动力工程学院2.上海交通大学上海市网络制造与企业信息化重点实验室

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。

关键词：智能服务技术,剩余使用寿命,自编码神经网络,双向长短期记忆神经网络,深度学习,故障诊断,涡扇发动机

基金资助：国家自然科学基金资助项目(51875359);上海电信合作资助项目(51875359)。