动态加权的时空融合用于基于深度学习的航空系统EHA退化预测
Tianyuan Guan1, Dianrong Gao1,2, Jiangwei Ma1
1School of Mechanical Engineering, Yanshan University, Qinhuangdao 066004, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
本研究介绍了PreDyn-ST,这是一个用于预测飞机中电动静电执行器 (EHA) 剩余使用寿命的新框架. 它使用时空数据准确地建模系统退化,增强航空安全和维护.
科学领域:
- 航空航天工程 航空航天工程
- 机器学习 机器学习
- 系统健康监测 系统健康监测
背景情况:
- 电静电驱动器 (EHA) 在现代飞机中至关重要,但对健康监测构成挑战.
- 现有的数据缺乏与系统健康的明确联系,阻碍了降解评估和剩余使用寿命 (RUL) 预测.
研究的目的:
- 使用多变量时间序列数据为EHA开发一个时空降解建模框架 (PreDyn-ST).
- 提高航空航天系统降解评估和RUL预测的准确性和可解释性.
主要方法:
- 使用基于SimCLR的对比预训练和动态特征融合机制.
- 使用图形卷积网络 (GCN) 进行空间建模,使用变压器进行时间模式提取.
- 包含可学习的动态权重机制,用于自适应特征平衡,并使用相关统计指数 (CSI) 曲线分析可解释性.
主要成果:
- 在EHA降解数据和C-MAPSS基准指标上,PreDyn-ST表现出具有竞争力和稳定的预测性能.
- 该框架在复杂的操作条件下显示出强大的性能,包括FD004数据集.
- 为航空航天应用实现准确和可解释的降解建模.
结论:
- 拟议的PreDyn-ST框架有效地解决了目前EHA健康监测的局限性.
- 它为航空航天领域准确的降解建模和RUL预测提供了强大的和可解释的解决方案.
- 强调先进机器学习技术在提高飞机安全和维护方面的潜力.
