论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺
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
来源: 计算机集成制造系统 2019年07期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 航空航天科学与工程,自动化技术
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: 国家自然科学基金资助项目(51875359),上海电信合作资助项目(51875359)~~
分类号: V235.13;TP18
DOI: 10.13196/j.cims.2019.07.001
页码: 1611-1619
总页数: 9
文件大小: 831K
下载量: 501
相关论文文献
标签：智能服务技术论文; 剩余使用寿命论文; 自编码神经网络论文; 双向长短期记忆神经网络论文; 深度学习论文; 故障诊断论文; 涡扇发动机论文;