CN114297910A - 一种基于改进lstm的航空发动机寿命预测方法 - Google Patents
一种基于改进lstm的航空发动机寿命预测方法 Download PDFInfo
- Publication number
- CN114297910A CN114297910A CN202111420929.6A CN202111420929A CN114297910A CN 114297910 A CN114297910 A CN 114297910A CN 202111420929 A CN202111420929 A CN 202111420929A CN 114297910 A CN114297910 A CN 114297910A
- Authority
- CN
- China
- Prior art keywords
- lstm
- life
- value
- model
- engine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于航空发动机技术领域,具体地涉及一种基于改进LSTM的航空发动机寿命预测方法。包括:步骤1:对传感器获取的原始传感器数据处理,构建训练样本,训练样本包括训练集和测试集;步骤2:在步骤1构建训练样本基础上,构建LSTM结构模型,作为发动机剩余寿命预测模型;步骤3:将步骤1的测试集输入到步骤2构建的LSTM结构模型,得到预测的RUL值,采用RMSE与Score评价指标对得到的预测RUL值进行评估。本发明提出了SDAE与LSTM的航空发动机寿命预测方法,利用深层编码器无监督特征提取的优势,对发动机传感器信号进行有效特征提取,避免了人工提取特征的低效率以及所带来的预测不确定,并利用LSTM模型处理时序数据的优势进行发动机剩余寿命预测。
Description
技术领域
本发明属于航空发动机技术领域,具体地涉及一种基于改进LSTM的航空发动机寿命预测方法。
背景技术
航空发动机是飞机正常飞行的重要部件,由于发动机运行工况繁杂多变、运行环境相对恶劣,一旦发生故障,会对飞行安全以及乘客的生命安全造成巨大的威胁。航空发动机剩余寿命预测依据状态监测数据,如风扇、压气机进出口的温度、压强、转速等历史数据并提取特征,构建寿命预测模型,为预防性维护提供技术支撑,具有广泛的应用价值。
近年来,基于数据驱动的方法逐渐成为剩余寿命预测领域的主流技术,常用的数据驱动方法主要有两类,一类是基于统计分析的数据驱动算法,另一类是基于深度学习的智能学习算法。
第一类方法有通过对非线性随机系数回归进行退化建模,提出一种融合先验信息和现场信息的剩余寿命预测方法,能够有效利用历史数据进行建模,相对准确的预测设备的实际剩余寿命。但由于该方法采用严格意义上的数学建模,往往需要较为理想的假设条件,进而限制了其发展与应用。
第二类方法是基于深度学习的智能学习算法则不需要构建具体的数学模型,而是通过分析传感器监测数据,提取描述发动机性能退化的特征,利用深度学习技术预测发动机剩余寿命。首先对高维特征降维,然后构建寿命预测模型,但忽视了发动机传感器数据时序退化性的特点,在进行模型构建时,无法关注到过去时刻与当前时刻的相关关系。
也有基于双向LSTM(long short-term memory,LSTM)神经网络的故障预测方法,能够在正向和反向同时处理序列数据特征,但由于其仅采用单层网络结构,特征提取能力以及预测精度方面都有待提高。深度学习是解决发动机寿命预测问题的有效方法,较传统统计方法相比,可以处理样本量更大的数据,故预测可靠性更高。
特征提取是利用深度学习技术进行剩余寿命预测的重要前提。在进行寿命预测前,需要对传感器数据进行预处理,例如特征提取、特征融合等。关于特征提取方面的研究已有众多研究成果。可以利用核主成分分析(kernel principal component analysis,KPCA)去除特征之间的信息冗余,构建约简后的特征矩阵,该算法的复杂度与数据的维度紧密相关,由于发动机传感器采集的监测数据具有高维度、多参数、规模大的特点,导致特征提取模型复杂度高。
发明内容
本本发明针对现有技术存在的问题,本发明提出了一种融合深度稀疏自动编码器(Sparse Deep AutoEncoder,SDAE)与长短期记忆网络的航空发动机寿命预测方法,引入SDAE模型,利用深层编码器无监督特征提取的优势,对发动机传感器信号进行有效特征提取,避免了人工提取特征的低效率以及所带来的预测不确定,并利用LSTM模型处理时序数据的优势进行发动机剩余寿命预测。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于改进LSTM的航空发动机寿命预测方法,包括以下步骤:
步骤1:对传感器获取的原始传感器数据处理,构建训练样本,训练样本包括训练集和测试集;
步骤2:在步骤1构建训练样本基础上,构建LSTM结构模型,作为发动机剩余寿命预测模型;
步骤3:将步骤1的测试集输入到步骤2构建的LSTM结构模型,得到预测的RUL值,采用RMSE与Score评价指标对得到的预测RUL值进行评估,并评价寿命预测效果。
优选地,所述步骤1的具体步骤包括:
步骤1.1:对传感器获取的原始传感器数据,进行归一化和标准化处理;
步骤1.2:对步骤1.1处理后的原始传感器数据构建RUL标签;
步骤1.3:对步骤1.2的标签数据RUL采用分段线性函数进行处理,将早期循环中RUL设为常值,在循环后开始线性退化,直至达到0;
步骤1.4:对步骤1.3处理后的数据进行特征选择;
步骤1.5:对步骤1.4特征选择后的数据,构建训练样本,训练样本包括训练集和测试集。
优选地,所述步骤1.1的归一化和标准化处理具体方法为,归一化使用Min-Max模型,如式(1)所示,将归一化后的数据转换为均值为0,标准差为1的分布;
数据标准化,如式(2)所示:
优选地,所述步骤2的具体步骤包括:
步骤2.1:构建LSTM结构模型;
步骤2.2:将步骤1的测试集输入到SDAE中,通过SDAE编码提取步骤1.5的训练集数据深层特征,对训练集数据进行无监督预训练,通过训练构建得到发动机健康因子HI曲线,表征发动机退化趋势。
步骤2.3:对步骤2.2SDAE编码后的时序数据作为LSTM结构模型的输入,以发动机全寿命周期的逆序数作为LSTM结构模型的标签,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练;
步骤2.4:计算LSTM结构模型训练的损失,更新LSTM结构模型参数。
优选地,所述步骤2.1,构建双层LSTM结构模型作为发动机剩余寿命预测模型,双层LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数,记为σ,输出范围为[0,1],代表当前输入信息的重要程度,越接近1表示越重要,在生成候选记忆时,选择tanh激活函数,用于调节流经网络的值,将输出数值始终限制在[-1,1]之间,具体如下,
4)遗忘门
ft=σ(Wf[ht-1,xt]+bf) (3)
5)输入门
it=σ(Wi[ht-1,xt]+bi) (4)
6)输出门
ot=σ(Wo[ht-1,xt]+bo) (6)
ht=ot⊙tanh(Ct) (8)
其中,W和b分别为模型权值和偏置,xt为输入样本,wf为遗忘门权重,ht-1为t-1时刻隐藏层状态,bf为遗忘门偏置,wi为输入门权重,bi为输入门偏置,h为t时刻隐藏层状态,bc为cell状态偏置,wc为cell状态权重,wo为输出门权重,ot为输出门状态。
优选地,所述步骤2.4的LSTM模型的损失采用均方差计算:
优选地,所述步骤2.4的LSTM结构模型参数更新公式如下,对时刻权重和动量因子进行更新:
mt=β1·mt-1+(1-β1)·gt
wt+1=wt-α·mt (10)
其中,wt为t时刻权重,gt为t时刻梯度,α为初始学习率,mt为一阶动量因子,β1经验值为0.9。
优选地,所述步骤3的具体操作包括:
步骤3.1:将步骤1.5的测试集数据输入步骤2.4更新后的LSTM结构模型的输入门,得到预测的RUL值;
步骤3.2:使用均方根误差RMSE和Score评分函数对步骤3.1的预测RUL值进行评价;
步骤3.3:采用预测寿命偏离度δ评价寿命预测效果。
优选地,所述步骤3.2的均方根误差RMSE评价方法为,
如果RMSE指标相近时,采用Score评分函数进一步评价,如式(12)所示,Score越小,预测效果越好;
优选地,所述步骤3.3采用预测寿命偏离度δ评价寿命预测效果的方法为:
与现有技术相比,本发明的有益效果是:
1.融合深度稀疏自动编码器SDAE与长短期记忆网络的航空发动机寿命预测方法,引入SDAE模型,利用深层编码器无监督特征提取的优势,对发动机传感器信号进行有效特征提取,避免了人工提取特征的低效率以及所带来的预测不确定;
2.数据编码降维后,预测模型的复杂度大大降低,寿命预测效果明显提升。所提方法具有较强的泛化能力和可行性,能够有效进行寿命预测。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明的方法流程图;
图2为部分传感器数据预处理结果;
图3(a)滤波前HI曲线,(b)滤波后HI曲线;
图4(a)为FD001子集中随机三台发动机寿命预测效果,(b)为FD002子集中随机三台发动机寿命预测效果,(c)FD003子集中随机三台发动机寿命预测效果,(d)为FD004子集中随机三台发动机寿命预测效果;
图5(a)为FD001为误差曲线,(b)FD003为误差曲线,(c)FD002为误差曲线,(d)为FD004误差曲线;
图6为本发明的模型结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:
参照附图1-6所示,一种基于改进LSTM的航空发动机寿命预测方法,包括以下步骤:
步骤1:对传感器获取的原始传感器数据处理,构建训练样本,训练样本包括训练集和测试集,具体步骤包括:
步骤1.1:对传感器获取的原始传感器数据,进行归一化和标准化处理,具体方法为,归一化使用Min-Max模型,如式(1)所示,将归一化后的数据转换为均值为0,标准差为1的分布;
数据标准化,如式(2)所示:
步骤1.2:对步骤1.1处理后的原始传感器数据构建RUL标签,训练集中第二列为发动机循环周期数,采用循环周期的逆序数作为训练集的标签;
步骤1.3:对步骤1.2的标签数据RUL采用分段线性函数进行处理,将早期循环中RUL设为常值,在循环后开始线性退化,具体为将RUL标签数据中大于125的部分取值置为125,小于125的部分设置为斜率为-1的一次函数,直至达到0;
步骤1.4:对步骤1.3处理后的数据进行特征选择,将第1、5、10、16、18、19个传感器数据在发动机的全寿命周期保持不变或变化较小,为提高寿命预测精度,剔除此类数据,选择剩余有变化的数据进行实验;
步骤1.5:对步骤1.4特征选择后的数据,构建训练样本,训练样本包括训练集和测试集,经过特征选择后的训练集与测试集均为17维,训练集包括发动机全寿命周期的数据,测试集为发动机从第一个循环周期到失效前的循环周期之间的监测数据。
步骤2:在步骤1构建训练样本基础上,构建LSTM结构模型,作为发动机剩余寿命预测模型,具体步骤包括:
步骤2.1:构建双层LSTM结构模型作为发动机剩余寿命预测模型,双层LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数,记为σ,输出范围为[0,1],代表当前输入信息的重要程度,越接近1表示越重要,在生成候选记忆时,选择tanh激活函数,用于调节流经网络的值,将输出数值始终限制在[-1,1]之间,具体如下,
1)遗忘门
ft=σ(Wf[ht-1,xt]+bf) (3)
2)输入门
it=σ(Wi[ht-1,xt]+bi) (4)
3)输出门
ot=σ(Wo[ht-1,xt]+bo) (6)
ht=ot⊙tanh(Ct) (8)
其中,W和b分别为模型权值和偏置,xt为输入样本,wf为遗忘门权重,ht-1为t-1时刻隐藏层状态,bf为遗忘门偏置,wi为输入门权重,bi为输入门偏置,h为t时刻隐藏层状态,bc为cell状态偏置,wc为cell状态权重,wo为输出门权重,ot为输出门状态。
步骤2.2:采用SDAE作为特征提取模型,将步骤1的测试集输入到SDAE中,通过SDAE编码提取步骤1.5的训练集数据深层特征,SDAE编码网络结构选择为五层,每层神经元数量选择17-16-15-8-1,对训练集数据进行无监督预训练,通过训练构建得到发动机健康因子HI曲线,表征发动机退化趋势。HI曲线存在噪声,曲线平滑度差,区分度不足,对其进行平滑滤波处理。HI曲线在发动机全生命周期内呈现出明显单调递增或递减的特性,能较好地表征发动机的退化过程。
SDAE是通过无监督学习算法尝试学习一个函数,使得输出值近似等于输入值的特征表达网络,由一个输入层、一个或多个隐藏层和一个输出层组成,其中隐含层h可以产生编码来表示输入。编码网络和解码网络一般使用神经网络进行构建,编码过程可表示为h=f(x),解码过程可表示为r=g(h),最后使得输入x约等于输出g(f(x)),隐藏层的输出即为编码结果。
步骤2.3:对步骤2.2SDAE编码后的时序数据作为LSTM结构模型的输入,以发动机全寿命周期的逆序数作为LSTM结构模型的标签,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练;
步骤2.4:计算LSTM结构模型训练的损失失采用均方差计算:
更新LSTM结构模型参数,LSTM结构模型参数更新公式如下,对时刻权重和动量因子进行更新:
mt=β1·mt-1+(1-β1)·gt
wt+1=wt-α·mt (10)
其中,wt为t时刻权重,gt为t时刻梯度,α为初始学习率,mt为一阶动量因子,β1经验值为0.9。
步骤3:将步骤1的测试集输入到步骤2构建的LSTM结构模型,得到预测的RUL值,采用RMSE与Score评价指标对得到的预测RUL值进行评估,并评价寿命预测效果。具体操作包括:
步骤3.1:将步骤1.5的测试集数据输入步骤2.4更新后的LSTM结构模型的输入门,得到预测的RUL值;
步骤3.2:使用均方根误差RMSE和Score评分函数对步骤3.1的预测RUL值进行评价。
均方根误差RMSE评价方法为,
如果RMSE指标相近时,采用Score评分函数进一步评价,如式(12)所示,Score越小,预测效果越好;
步骤3.3采用预测寿命偏离度δ评价寿命预测效果的方法为:
仿真实验结果与分析:
本发明选择NASA故障预测研究中心公开的C-MAPSS数据集进行实验验证。仿真环境采用NVIDIA GeForce GTX 1650Ti、Intel Core i5-10200H CPU、16G RAM、Windows 10、MATLAB R2020b。
该数据集由多个多变量时间序列组成,被划分为4个子集,FD001~FD004,每个子集按1:1划分为训练集和测试集。各子集样本量如表1所示。FD001与FD003分别为100台发动机退化数据,FD002与FD004分别为260、249台发动机退化数据。其中各子集训练样本为涡扇发动机全寿命周期传感器监测数据,测试样本为发动机从第一个循环周期到失效前的某个循环周期之间的监测数据。
表1原始样本集文件
仿真实验:
仿真实验具体包括数据预处理,模型参数训练,发动机剩余寿命预测三个方面。
首先对FD001~FD004的数据进行预处理,以FD001中第一台发动机退化数据为例,原始数据归一化与标准化处理。图2为该发动机中风扇进口温度、高压压气机出口温度、风扇进口压强、高压压气机出口压强、实际核心机转速的数据预处理结果,由图可见,经过预处理的数据被限定在[-3,3]范围内,消除了量纲不统一对预测效果的影响。
其次,将预处理后的数据输入到SDAE中,对训练集数据进行无监督预训练。由于数据来自21个传感器,故SDAE编码网络结构选择为五层,每层神经元数量选择17-16-15-8-1,最后一层为最终提取出的特征值。最终得到发动机健康因子(HI)曲线,如图3所示。HI曲线横坐标为时间步长。图3(a)以FD001为例,得到训练集中100台发动机HI曲线。但HI曲线存在噪声,曲线平滑度差,区分度不足。因此对其进行平滑滤波处理。滤波后图像如图3(b)所示。
可以看出,由于不同发动机在退化过程中各传感器权重的差别,由SDAE提取出的深层特征在发动机全生命周期内呈现出明显单调递增或递减的特性,能较好地表征发动机的退化过程。实验表明,其余三个子集FD002~FD004同样具有明显的单调性。
最后,选取每台发动机全寿命周期的循环逆序数作为训练集标签,训练LSTM网络模型参数。根据数据集的四种运行工况、四种故障模式以及传感器采集参数,分组训练不同工况,故障模式下的传感器数据对剩余寿命影响的权重,将训练好的权重引入LSTM模型进行发动机剩余寿命预测。
设置隐藏层神经元为400,学习率分段设置,初始学习率为0.005,每迭代30轮减小1/5。为了防止神经元过多,迭代次数大造成过拟合,导致模型泛化性能下降,添加dropout层,取值为0.25。
在训练过程中,为提高寿命预测效果,在反向传播过程中寻找损失函数的最优解,以更新权重和偏置参数,应选择合适的梯度下降优化算法。
在FD001~FD004四个测试子集分别比较三种梯度下降算法Adam,RMSProp和SGDM的预测误差,SGDM算法预测误差最小,故本文使用SGDM进行梯度计算,预测的RMSE和Score结果见表2。
表2不同优化方法比较
实验结果:
随机从每个测试子集中选择三台发动机绘制寿命预测结果曲线,如图4所示,横坐标为时间步长,预测值曲线与真实值曲线拟合度高,失效时间早的发动机临近失效拐点时,曲线有较小偏差,但总体预测准确性仍保持较高水平。
为了全面验证模型在不同数据集上的预测效果,定义各数据集中发动机剩余寿命预测误差与实际寿命比值为预测寿命偏离度,比较四个测试集中所有发动机的预测寿命与真实寿命,并计算绘制误差曲线(图5),横坐标为发动机编号。由表3可见,FD001偏离度最小,为16.35%,其最大误差为55.22;FD002偏离度最大,为22.14%,最大误差为67.16。
表3最大误差与偏离度
FD001 | FD002 | FD003 | FD004 | |
最大误差 | 55.22 | 67.16 | 64.79 | 103.98 |
偏离度 | 16.35% | 22.14% | 20.06% | 18.80% |
同等实验条件下,选择DNN、BiLSTM、单层LSTM三种方法与本文方法比较,如表4所示。
表4本文模型与其他模型预测效果比较
本发明提出的SDAE-LSTM模型,RMSE分别比DNN、BiLSTM、单层LSTM三种方法平均降低了6.6%、25%、19.8%;Score分别平均降低了39.1%、92.7%、66.7%。除在FD003数据集上RMSE和Score略高于DNN外,其余子集本文模型均为最优。
结论:
仿真实验结果表明,本发明采用SDAE+LSTM模型可以利用自动编码器的特征提取优势,实现数据深层特征提取,获得HI曲线,建立与RUL曲线的特征关系。数据编码降维后,预测模型的复杂度大大降低,寿命预测效果明显提升。本发明所提方法具有较强的泛化能力和可行性,能够有效进行寿命预测。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:包括以下步骤:
步骤1:对传感器获取的原始传感器数据处理,构建训练样本,训练样本包括训练集和测试集;
步骤2:在步骤1构建训练样本基础上,构建LSTM结构模型,作为发动机剩余寿命预测模型;
步骤3:将步骤1的测试集输入到步骤2构建的LSTM结构模型,得到预测的RUL值,采用RMSE与Score评价指标对得到的预测RUL值进行评估,并评价寿命预测效果。
2.根据权利要求1所述的一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:所述步骤1的具体步骤包括:
步骤1.1:对传感器获取的原始传感器数据,进行归一化和标准化处理;
步骤1.2:对步骤1.1处理后的原始传感器数据构建RUL标签;
步骤1.3:对步骤1.2的标签数据RUL采用分段线性函数进行处理,将早期循环中RUL设为常值,在循环后开始线性退化,直至达到0;
步骤1.4:对步骤1.3处理后的数据进行特征选择;
步骤1.5:对步骤1.4特征选择后的数据,构建训练样本,训练样本包括训练集和测试集。
4.根据权利要求3所述的一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:所述步骤2的具体步骤包括:
步骤2.1:构建LSTM结构模型;
步骤2.2:将步骤1的测试集输入到SDAE中,通过SDAE编码提取步骤1.5的训练集数据深层特征,对训练集数据进行无监督预训练,通过训练构建得到发动机健康因子HI曲线,表征发动机退化趋势;
步骤2.3:对步骤2.2SDAE编码后的时序数据作为LSTM结构模型的输入,以发动机全寿命周期的逆序数作为LSTM结构模型的标签,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练;
步骤2.4:计算LSTM结构模型训练的损失,更新LSTM结构模型参数。
5.根据权利要求4所述的一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:所述步骤2.1,构建双层LSTM结构模型作为发动机剩余寿命预测模型,双层LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数,记为σ,输出范围为[0,1],代表当前输入信息的重要程度,越接近1表示越重要,在生成候选记忆时,选择tanh激活函数,用于调节流经网络的值,将输出数值始终限制在[-1,1]之间,具体如下,
1)遗忘门
ft=σ(Wf[ht-1,xt]+bf) (3)
2)输入门
it=σ(Wi[ht-1,xt]+bi) (4)
3)输出门
ot=σ(Wo[ht-1,xt]+bo) (6)
ht=ot⊙tanh(Ct) (8)
其中,W和b分别为模型权值和偏置,xt为输入样本,wf为遗忘门权重,ht-1为t-1时刻隐藏层状态,bf为遗忘门偏置,wi为输入门权重,bi为输入门偏置,h为t时刻隐藏层状态,bc为cell状态偏置,wc为cell状态权重,wo为输出门权重,ot为输出门状态。
7.根据权利要求6所述的一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:所述步骤2.4的LSTM结构模型参数更新公式如下,对时刻权重和动量因子进行更新:
mt=β1·mt-1+(1-β1)·gt
wt+1=wt-α·mt (10)
其中,wt为t时刻权重,gt为t时刻梯度,α为初始学习率,mt为一阶动量因子,β1经验值为0.9。
8.根据权利要求7所述的一种基于改进LSTM的航空发动机寿命预测方法,其特征在于:所述步骤3的具体操作包括:
步骤3.1:将步骤1.5的测试集数据输入步骤2.4更新后的LSTM结构模型的输入门,得到预测的RUL值;
步骤3.2:使用均方根误差RMSE和Score评分函数对步骤3.1的预测RUL值进行评价;
步骤3.3:采用预测寿命偏离度δ评价寿命预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420929.6A CN114297910A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进lstm的航空发动机寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420929.6A CN114297910A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进lstm的航空发动机寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297910A true CN114297910A (zh) | 2022-04-08 |
Family
ID=80965242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111420929.6A Pending CN114297910A (zh) | 2021-11-26 | 2021-11-26 | 一种基于改进lstm的航空发动机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297910A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818993A (zh) * | 2022-06-24 | 2022-07-29 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115017832A (zh) * | 2022-08-09 | 2022-09-06 | 中国民航大学 | 一种面向飞机作动系统的状态预测方法 |
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116011109A (zh) * | 2023-01-13 | 2023-04-25 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
CN116956759A (zh) * | 2023-09-21 | 2023-10-27 | 宝德计算机系统股份有限公司 | 一种调节bmc风扇转速的方法、系统及装置 |
CN117094704A (zh) * | 2023-10-17 | 2023-11-21 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
-
2021
- 2021-11-26 CN CN202111420929.6A patent/CN114297910A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997051B (zh) * | 2022-05-30 | 2023-05-09 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN114818993B (zh) * | 2022-06-24 | 2022-09-02 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
CN114818993A (zh) * | 2022-06-24 | 2022-07-29 | 启东通奕自动化设备有限公司 | 一种锤片式粉碎机寿命分析方法 |
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN115017832B (zh) * | 2022-08-09 | 2022-10-25 | 中国民航大学 | 一种面向飞机作动系统的状态预测方法 |
CN115017832A (zh) * | 2022-08-09 | 2022-09-06 | 中国民航大学 | 一种面向飞机作动系统的状态预测方法 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116011109A (zh) * | 2023-01-13 | 2023-04-25 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
CN116011109B (zh) * | 2023-01-13 | 2023-09-08 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
CN116522467B (zh) * | 2023-01-16 | 2023-10-31 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
CN116956759A (zh) * | 2023-09-21 | 2023-10-27 | 宝德计算机系统股份有限公司 | 一种调节bmc风扇转速的方法、系统及装置 |
CN117094704A (zh) * | 2023-10-17 | 2023-11-21 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
CN117094704B (zh) * | 2023-10-17 | 2024-01-30 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
CN117494071B (zh) * | 2023-12-29 | 2024-04-16 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114297910A (zh) | 一种基于改进lstm的航空发动机寿命预测方法 | |
CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN112070128B (zh) | 一种基于深度学习的变压器故障诊断方法 | |
CN112766303B (zh) | 一种基于cnn的航空发动机故障诊断方法 | |
CN109101584B (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
CN111309909B (zh) | 一种基于混合模型的文本情感分类方法 | |
CN111507046B (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
Shang et al. | A remaining life prediction of rolling element bearings based on a bidirectional gate recurrent unit and convolution neural network | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
Zhang et al. | Adaptive spatio-temporal graph convolutional neural network for remaining useful life estimation | |
CN114548592A (zh) | 一种基于cemd和lstm的非平稳时间序列数据预测方法 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
CN114781744A (zh) | 基于编码解码器的深度学习多步长辐照度预测方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112734131A (zh) | 一种基于深度学习算法的风机叶片覆冰状态预测方法 | |
CN111881299A (zh) | 基于复制神经网络的离群事件检测与识别方法 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
Lin et al. | Attention-based Gate Recurrent Unit for remaining useful life prediction in prognostics | |
CN113673774A (zh) | 基于自编码器和时序卷积网络的航空发动机余寿预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |