面向涡扇发动机智能服务技术的AutoencoderBLSTM寿命预测模型

文档名：面向涡扇发动机智能服务技术的AutoencoderBLSTM寿命预测模型
随着大型装备日趋复杂化、精密化和专业化,工业界对智能服务技术的需求更加迫切.涡扇发动机作为设计结构复杂、可靠性要求高的关键航空部件,其剩余使用寿命(Remainingusefullife,RUL)的有效预测,对于科学合理地制定维护策略,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(Bidirectionallongshort-termmemory,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.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方法能捕捉数据长程依赖的特性,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的多层感知机、支持向量回归、卷积神经网络和LSTM方法,可有力支撑涡扇发动机的健康管理与运维决策.
作者：宋亚夏唐斌郑宇卓鹏程潘尔顺
作者单位：上海交通大学上海市网络制造与企业信息化重点实验室机械与动力工程学院,上海200240
母体文献：第五届全国现代制造集成技术学术会议论文集
会议名称：第五届全国现代制造集成技术学术会议  
会议时间：2018年11月17日
会议地点：上海
主办单位：《计算机集成制造系统》编辑部
语种：chi
分类号：
关键词：涡扇发动机  剩余使用寿命  预测模型  深度学习  自编码神经网络  双向长短期记忆神经网络
在线出版日期：2021年9月26日
基金项目：
相似文献
相关博文

2024-12-11 09:45 上传 面向涡扇发动机智能服务技术的AutoencoderBLSTM寿命预测模型.pdf

文件大小:

498.71 KB

下载次数:

60

高速下载