| 基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测 |
| |
| 引用本文： | 宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺.基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测[J].计算机集成制造系统,2019(7):1611-1619. |
| |
| 作者姓名： | 宋亚 夏唐斌 郑宇 卓鹏程 潘尔顺 |
| |
| 作者单位： | 上海交通大学机械与动力工程学院;上海交通大学上海市网络制造与企业信息化重点实验室 |
| |
| 基金项目： | 国家自然科学基金资助项目(51875359);上海电信合作资助项目(51875359)~~ |
| |
| 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 |
Remaining useful life prediction of turbofan engine based on Autoencoder-BLSTM |
| |
| SONG Ya,XIA Tangbin,ZHENG Yu,ZHUO Pengcheng,PAN Ershun.Remaining useful life prediction of turbofan engine based on Autoencoder-BLSTM[J].Computer Integrated Manufacturing Systems,2019(7):1611-1619. |
| |
| Authors: | SONG Ya XIA Tangbin ZHENG Yu ZHUO Pengcheng PAN Ershun |
| |
| Affiliation: | (School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;Shanghai Municipal Key Laboratory of Advanced Manufacturing Environment, Shanghai Jiao Tong University, Shanghai 200240, China) |
| |
| Abstract: | SONG Ya;XIA Tangbin;ZHENG Yu;ZHUO Pengcheng;PAN Ershun(School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;Shanghai Municipal Key Laboratory of Advanced Manufacturing Environment, Shanghai Jiao Tong University, Shanghai 200240, China) |
| |
| Keywords: | intelligent service technology remaining useful life autoencoder bidirectional long short-term memory neural networks deep learning fault diagnosis turbofan engine |
| 本文献已被 CNKI 维普 等数据库收录！ |
|
