基于时空融合Transformer的航空发动机RUL预测

来源：振动与冲击杂志2025年第16期北京时间：

作者：王昱wangyu@sau， 杨晓庆， 李硕， 张哲成

单位：沈阳航空航天大学自动化学院， 沈阳110136

摘要：航空发动机数据呈现多变量、非线性和动态变化等复杂特征，且具有显著的时空关联性。大多数研究在分析数据时，往往局限于单一的多传感器尺度或时间尺度，且往往忽视数据间的长时依赖性，限制了其在航空发动机剩余使用寿命（Remaining Useful Life，RUL）预测任务中的应用。为此，提出了一种时空融合Transformer网络模型。该模型在保留了Transformer架构中的多头注意力机制和位置编码的优势以精准捕捉长时依赖特征的基础上，首先采用高效全连接网络替代原有的解码操作模块，匹配航空发动机RUL预测非线性回归问题属性的同时简化模型结构；然后，通过引入空间注意力机制模块，深入挖掘不同变量间的空间特征；最后，应用改进的赤池信息量准则对Transformer的重要超参数进行辨识，解决其超参数的选择难题。经C-MAPSS以及PHM08 预测数据挑战赛两数据集的多组实验证实所提模型的有效性及其在预测精度方面的卓越表现。<br>

关键词：RUL预测; Transformer神经网络; 深度学习;赤池信息量准则; 时空融合; 空间注意力