基于特征的多尺度时空混合深度神经网络,用于预测航空发动机的剩余使用寿命

科学领域:

• 航空航天工程 航空航天工程
• 机械工程 机械工程
• 数据科学数据科学数据科学

背景情况:

• 剩余使用寿命 (RUL) 预测对于航空发动机的维护和寿命至关重要.
• 现有的用于RUL预测的深度神经网络往往忽视了数据点的重要性和传感器相互依赖性.

研究的目的:

• 开发一个先进的深度神经网络,用于在航空发动机中增强RUL预测.
• 通过结合多尺度时空特征来解决当前RUL预测模型的局限性.

主要方法:

• 提出基于特征的多尺度时空混合深度神经网络 (MSTSDN).
• 从原始多传感器监测数据中提取多尺度特征.
• 在C-MAPSS和N-CMAPSS航空发动机数据集上评估MSTSDN.

主要成果:

• 与C-MAPSS数据集中的12个现有模型相比,MSTSDN在RUL预测中表现出卓越的准确性和及时性.
• 该模型在各种操作条件和故障模式中显示出有效性.
• 在N-CMAPSS数据集上,MSTSDN在发动机退化期间成功跟踪并安装了实际的RUL.

结论:

• 拟议的MSTSDN显著提高了航空发动机的RUL预测性能.
• MSTSDN为复杂的降解监测和维护规划提供了强大的解决方案.
• 该模型为航空航天应用中的预测性维护提供了宝贵的进步.