基于CNN-GRU模型的发动机的短拍RUL预测
Shuhan Sun1, Jiongqi Wang2, Yaqi Xiao1
1School of Science, National University of Defense Technology, Changsha, 410073, China.
Scientific reports
|July 11, 2024
概括
本研究引入了一种1D CNN-GRU模型,以预测飞机发动机的剩余使用寿命 (RUL),但数据有限. 该模型增强了特征提取和时间分析,以提高RUL预测的准确性.
科学领域:
- 预测和健康管理 (PHM)
- 用于工程系统的机器学习
背景情况:
- 预测飞机发动机等关键部件的剩余使用寿命 (RUL) 对运营安全和维护至关重要.
- 历史生命数据不足在特征提取,时间关系建模和准确的RUL预测方面带来了重大挑战.
研究的目的:
- 提出一种新的1D卷积神经网络 (CNN) 和门循环单元 (GRU) 混合模型,用于在少数射击学习条件下进行RUL预测.
- 通过有效利用有限的历史数据,提高RUL预测的准确性和稳定性.
主要方法:
- 开发了一个1D CNN-GRU混合网络,利用CNN进行高维特征提取,利用GRU进行时间特征分析.
- 整合了数据分布,相关性和单调性指数,以完善CNN-GRU模型的多传感器输入参数.
- 该模型使用来自NASA C-MAPSS多约束数据集的子数据集进行训练和验证.
主要成果:
- 拟议的1D CNN-GRU模型在RUL预测任务中表现出高精度.
- 实验结果验证了该模型在处理发动机预测的少数射击学习场景中的有效性.
- 该方法成功地解决了与性能降解特征提取和时间关系建模数据不足相关的挑战.
结论:
- 开发的CNN-GRU混合模型为RUL预测提供了强大而准确的解决方案,特别是在数据稀缺的环境中.
- 这种方法通过结合深度学习架构来进行特征和时间提取,显著提高了预测准确性.
- 该研究强调了先进的机器学习技术在提高关键工程系统的可靠性和安全性的潜力.
