CN115048873B - 一种用于飞机发动机的剩余使用寿命预测系统 - Google Patents
一种用于飞机发动机的剩余使用寿命预测系统 Download PDFInfo
- Publication number
- CN115048873B CN115048873B CN202210966774.4A CN202210966774A CN115048873B CN 115048873 B CN115048873 B CN 115048873B CN 202210966774 A CN202210966774 A CN 202210966774A CN 115048873 B CN115048873 B CN 115048873B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- branch
- prediction
- attention
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明一种用于飞机发动机的剩余使用寿命预测系统,属于机器剩余使用寿命预测领域,现有技术存在的退化特征提取不突出、网络复杂度大、预测精度不高的问题,使用前,需要通过信息采集模块获取飞机发动机不同部位部件的大量传感器信号;随后送入数据预处理模块对传感器数据进预处理,以方便下一模块使用;利用特征提取模块来对待预测的样本数据进行特征提取;最后通过回归预测模块来得到待预测飞机发动机的剩余使用寿命预测值;本发明解决了在大量传感器数据中提取重要退化特征并实现机器剩余使用寿命精准预测的问题,并提高了预测精度。
Description
技术领域
本发明属于机器剩余寿命预测技术领域,特别是涉及一种用于飞机发动机的剩余使用寿命预测系统。
背景技术
伴随大数据时代的来临,工业互联网开始快速发展,先进传感器技术的快速应用促使了采集数据的井喷式爆发。而随着现代机器系统的安全性和可靠性要求的不断提高,若不对机器的健康状态进行主动性的评估,将会导致巨大的经济损失和人员生命财产安全。因此,对机器的剩余使用寿命进行预测的研究非常迫切且有必要性。机器剩余使用寿命预测作为目前预测健康管理(Prognostics and Health Management,PHM)领域的研究热点,RUL预测可以及时地为管理者提供设备的运行状态和剩余运行周期等信息,帮助他们及时做出决策,如是否提前进行选择性维修、是否需要设备的保养和维护等,来确保设备的健康平稳运行。
通常,对RUL预测常用的方法可以分为两类:基于模型的方法和基于数据驱动的方法。由于基于模型的方法主要依靠统计学、概率学以及大量先验知识来进行建模,但随着系统和设备越来越复杂而导致精确建模异常困难,而基于数据驱动的深度学习方法有着不依赖先验知识,只针对原始传感器数据进行分析提取的优点,网络的选取也更加的灵活,已成为RUL预测领域备受青睐的研究方向。
而近年来在深度学习算法的研究上,学者在RUL领域上已经有了许多成功的尝试,主要集中在两类方法上:基于CNN的方法和基于RNN的方法。在CNN的方法中,为了更好地提取原始数据的深度信息,学者们设计了DCNN,MSCNN等网络结构;在RNN的方法中,主要以LSTM和GRU网络为主进行网络结构的创新和改进,学者们设计了ConvLSTM,BiLSTM,MMALSTM,多尺度密集GRU等网络结构,利用这些网络结构本身对时间序列数据敏感的特性,提高对原始数据长期时间相关性分析的能力。而最近随着注意力机制的提出,添加注意力机制可以进一步提升网络对高度相关退化特征的提取能力,一些成果显著的研究证明了其添加的有效性,如多头注意力,自注意力的提出。总的来说,基于数据驱动的这些方法的优势是可以通过分析大量的传感器数据,设计合理的网络结构去提取数据的相关退化特征,来达到提高机器剩余使用寿命预测速度和准确度的目的。基于此,本发明通过对传感器数据的删选,分割以及利用RNN变体和改进的注意力机制结合的优势,提出了一种用于飞机发动机的剩余使用寿命预测系统。
发明内容
本发明针对现有技术存在的退化特征提取不突出、网络复杂度大、预测精度不高的问题,本发明提供了一种用于飞机发动机的剩余使用寿命预测系统。本发明旨在通过利用简单的网络结构提取高度相关的退化特征,实现机器剩余使用寿命的准确预测。
为解决上述技术问题,本发明采用的技术方案为:一种用于飞机发动机的剩余使用寿命预测系统,该系统包括信息采集及整合模块、数据预处理模块、特征提取模块以及回归预测模块;
信息采集及整合模块用于获取飞机发动机不同部位部件的传感器信号数据,并对获取的数据进行计算、整合,实现多指标显示的功能;
数据预处理模块对采集的数据进行归一化处理、数据样本的局部提取和时间维度特征的预提取三种操作;
特征提取模块对预处理后的数据进行特征提取和融合:该模块分为两条支路分别提取不同层次的特征,其中一条支路为基础特征提取单元,由单层的GRU构成,隐藏层的数量为50,用于提取数据中的初级底层特征信息;另一条支路为高级特征提取单元,由EA内嵌注意力构成,用于提取数据中的高级相关退化特征信息,其包含凝练且具有高度相关性的退化特征信息,最后将两个模块提取到的不同层次的特征信息进行级联融合,构成融合特征,实现多层的特征提取目的;
回归预测模块将特征提取模块送来的特征信息通过全连接层和激活函数的配合,进行数据的回归和预测,完成最终剩余使用寿命的预测。在进行剩余寿命预测前,需要提前使用训练数据集对本系统进行训练。
进一步的,数据预处理模块的具体工作过程为:将获取的传感器数据按照每一个传感器通道对数据进行了最大最小归一化处理,让所有的数据都限定在0到1之间,然后采用固定大小的滑动窗口来对数据进行数据样本的截取;最后,在数据预处理模块中,为了提前突出时间维度上时间序列之间的关系,采用了时间步自注意力模块对数据进行时间维度上的预处理,保证数据在时间维度上更加敏感。时间步自注意模块的具体步骤是:在设定的时间步范围内,进行注意力机制的数据关注,将数据输入注意力模块的三支路中,利用第一和第二支路的输入,通过多层感知机和softmax归一化函数来构建生成注意力权重向量,再将权重向量和第三支路的输入相乘,得到最终注意力模块的输出,而注意力模块的输出作为整体预处理模块的输出送入特征提取模块。时间步自注意力模块增强一定时间范围内重要数据的影响,保证数据在时间维度上更加敏感。而三种预处理方式的结合,在通道和时间维度上进行了数据的预处理,使得数据更加有利于后续的特征提取任务。
进一步的,高级特征提取单元的具体工作过程如下:首先,将输入分为三条支路,中间的支路称为Query支路(简称Q支路),在Q支路中,利用设计的ResLSTMa模块对输入数据进行特征提取,后一层带Relu激活函数的全连接层进行特征的整理,再用一层带Linear激活函数的全连接层进行RUL的初步预测,将预测的结果作为整个注意力机制的关注目标,和另一条输入支路Key支路(简称K支路)进行通道间的相乘,来生成针对Q支路目标的相关注意力分数,将注意力分数进行Softmax归一化,就得到了注意力权重向量,将这个权重向量通过元素级的相乘施加给第三条输入支路Value支路(简称V支路);经过上面所有的操作,就得到了一个和Q支路目标高度相关的特征信息,将这个特征信息和原来的输入进行级联,最后通过一个带Relu激活函数的全连接层再次进行特征的整理,就得到了内嵌注意力模块的输出。
进一步的,Q支路中的ResLSTMa是由基础的LSTM模块结合自注意力机制和Dropout层构成的LSTMa模块构成,将LSMTa模块按照3层顺序结构和2层残差结构的模式进行连接,在模块的相加处添加批次归一化层BN来防止网络过拟合并加快网络的训练和收敛的速度,最后的输出由单独的LSTM模块对维度进行变换,方便下一步的操作。
进一步的,回归预测模块的工作过程:将得到的融合特征首先经过由两层带有Relu激活函数隐藏层数为50的全连接层和Dropout层进行特征的整合和防止网络过拟合,提高网络的泛化能力,最后经过一层带有Linear激活函数的全连接层对最后的特征信息进行回归和预测,得到最终预测的RUL结果。
本发明的优点及其积极效果是:
1、本发明直接对原始的传感器数据进行了分析和特征提取,通过对传感器的删选,数据的归一化和滑动窗口的数据分割,不仅保留了原始数据的特性,而且还丰富了数据样本。而特征提取网络结构简单,对机器RUL预测速度快,整体的网络结构使预测的准确度得到了提高。
2、本发明通过训练的寿命预测系统,提取不同层次的退化信息,丰富退化信息的同时也不影响网络的运行速度。基础特征提取模块利用简单的GRU模块提取初级的底层信息,其包含宽泛且丰富的特征信息;高级特征提取模块利用设计的内嵌注意力EA模块提取高级的相关退化信息,其包含凝练且具有高度相关性的退化特征信息。将两种不同层次的信息经过级联融合构成融合特征信息,此时的特征信息不仅去除了多余的冗余信息,还依旧保持着丰富的多层次退化信息。使其更加适合机器RUL的预测,而且并行的特征提取方式也提升了网络的整体预测性能。
3、本发明所采用的内嵌注意力EA模块通过新的理念设计,提升Query支路的重要作用,利用新设计ResLSTMa模块提取经过预处理操作之后数据的高级特征,再通过两个带激活函数的全连接层进行初步的回归和预测,让由Q主导的注意力权重分配更加合理,给对退化程度有更大影响的数据通道分配更大的权重,让内嵌注意力模块输出具有退化高度相关性的特征信息,来对最终预测结果产生积极的影响。
附图说明
图1为本发明寿命预测系统的结构示意图。
图2为本发明实施例提供的滑动窗口截取数据样本的方法示意图。
图3为本发明提供的基础模块GRU单元结构图。
图4为本发明提供的LSTM单元结构图。
图5为本发明提供的EA内嵌注意力的结构示意图。
图6为本发明提供的ResLSTMa模块的结构示意图。
图7为本发明实施例提供的对比不同剩余使用寿命预测方法预测结果评价指标对比图。
图8为本发明实施例FD001数据集的剩余使用预测值和真实值拟合的结果对比图。
图9为本发明实施例FD004数据集的剩余使用预测值和真实值拟合的结果对比图。
具体实施方式
为使本发明的目的、特征和优点能够更为明显易懂,下面对本发明的具体实施方式做详细的说明。
如图1所示,一种用于飞机发动机的剩余使用寿命预测系统,该系统包括信息采集及整合模块、数据预处理模块、特征提取模块以及回归预测模块;
信息采集及整合模块用于获取飞机发动机不同部位部件的传感器信号,通过在飞机发动机的不同部件位置布置各种属性的传感器设备,来采集飞机发动机运行到失效过程中,各种情况下的数据分布。飞机发动机主要由五部分组成:风扇、低压压缩机、高压压缩机、低压涡轮和高压涡轮,分别布置了温度、压力、速度和流量等传感器来获取设备的信息。将获取到的信息通过信息整合平台进行组合、计算指标并输出,其中整合过程考虑到设备初始磨损和噪声的影响。
数据预处理模块对采集的数据进行归一化处理、数据样本的局部提取和时间维度特征的预提取三种操作,具体过程如下:
将原始的包含21个传感器和3种操作条件的数据作为整体网络的输入。首先对21个传感器数据进行了数据的删选,因为21个传感器中有7个传感器的数据并不随着机器退化状态的改变而改变,一直维持着不变,因此,将这些传感器的数据进行了删除,留下了14个传感器和3种操作条件的数据作为一个17维度的数据传输给下一个预处理操作。
然后,为了保证所有的传感器数据有统一的量纲,方便后面的处理,按照每一个传感器通道对数据进行了最大最小归一化处理,让所有的数据都限定在0到1之间,消除因单位而引起的数据差异。为了可以更加快速的对数据进行处理,采用固定大小的滑动窗口来对数据进行数据样本的截取,有利于减轻网络单次处理数据的负担,提升网络的运行效率,其方法示意图如图2所示。将窗口滑动的时间步s设置为1,沿着数据的时间方向依次滑动截取数据,作为每一次网络输入的样本。这样既丰富了数据的样本容量,又减轻了网络处理单个样本的负担。
最后,在数据预处理模块中,为了提前突出时间步上时间序列之间的关系,采用了时间步自注意力模块对数据进行时间维度上的预处理,保证数据在时间维度上更加敏感。
特征提取模块对预处理后的数据进行特征提取和融合:该模块分为两条支路分别提取不同层次的特征,其中一条支路为基础特征提取单元,由单层的GRU构成,隐藏层的数量为50,用于提取数据中的初级底层特征信息;另一条支路为高级特征提取单元,由EA内嵌注意力构成,用于提取数据中的高级相关退化特征信息,其包含凝练且具有高度相关性的退化特征信息,最后将两个模块提取到的不同层次的特征信息进行级联融合,构成融合特征,实现多层的特征提取目的。
高级特征提取单元的具体结构:首先,将输入分为三条支路,中间的支路称为Query支路(简称Q支路),在Q支路中,利用设计的ResLSTMa模块对输入数据进行特征提取,后一层带Relu激活函数的全连接层进行特征的整理,再用一层带Linear激活函数的全连接层进行RUL的初步预测,将预测的结果作为整个注意力机制的关注目标,和另一条输入支路Key支路(简称K支路)进行通道间的相乘,来生成针对Q支路目标而相关注意力分数,具体计算公式如下:
其中,s(x i ,q)为内嵌注意力的注意评分函数,Query表示当前Q支路的最终计算后的输入,Keyi表示当前K支路的第i个输入。
将得到的注意力分数向量通过softmax激活函数进行归一化操作,作为注意力权重施加到第三条支路Value支路(简称V支路)的输入上,得到经过权重施加的注意力向量A i 。预处理模块的输出直接作为了V支路的输入。最后,将V支路的输入和得到的注意力向量A i 相互级联,计算过程的公式如下:
其中,a i 表示得到的内嵌注意力的权重,A i 表示对Value i 支路输入施加注意力权重之后的注意力向量,A EA 表示注意力向量和 Value i 支路输入进行残差连接之后得到的最终内嵌注意力向量。
这样经过上面所有的操作,就得到了一个和Q支路目标高度相关的特征信息,将这个特征信息和原来的输入进行级联,最后通过一个带Relu激活函数的全连接层再次进行特征的整理,就得到了内嵌注意力模块的输出。该模块利用注意力机制的原理成功提取到了和预测目标高度相关的高级特征信息。
如图6所示,设计的ResLSTMa模块是在图5中Q支路用来对输入数据进行特征提取,其由基础的LSTM模块结合自注意力机制和Dropout层构成的LSTMa模块构成,LSMTa模块的结构如图6所示,随后将LSMTa模块按照3层顺序结构和2层残差结构的模式进行连接,在模块的相加处添加批次归一化层(BN)来防止网络过拟合并加快网络的训练和收敛的速度。最后的输出由单独的LSTM模块对维度进行变换,方便下一步的操作。
如图3、图4所示,是本发明的特征提取模块所用到的GRU和LSTM单元结构内部的构成。其中GRU单元在基础特征提取单元中使用,GRU单元包括一个重置门和一个更新门,其计算过程可表示如下:
其中,r t , ,z t 分别表示更新门和重置门,x t 为时间步t时刻的输入,h t-1 和h t 分别是t-1时刻和t时刻的隐藏状态,U r ,W r ,U z ,W z ,U h 和W h 为权重,b r ,b z 和b h 为偏置,σ(·)和tanh分别是sigmoid和双曲正切函数,⊙表示点积。
LSTM单元用在图1的(b)Embedded Attention中的ResLSTMa模块中,LSTM单元由遗忘门,输入门和输出门组成,它们可以表示如下:
其中,f t ,i t ,o t 分别表示遗忘门,输入门,输出门的输出,x t 为时间步t时刻的输入,h t-1 和h t 分别是t-1时刻和t时刻的隐藏状态,c t-1 和c t 分别是 t-1 时刻和t时刻的记忆单元状态,w f ,w i 和w o 为权重,b f ,b i 和b o 为偏置,σ(·)和 tanh分别是sigmoid和双曲正切函数。
基于LSTM网络的ResLSTMa模块设计:基于这样的考虑,LSTM网络作为RNN网络的拓展,很好的克服了RNN训练过程梯度消失的弊端,而且可以捕捉长时间的时间序列依赖关系。为了提取到高级的退化特征信息,我们将LSTM网络和自注意力模块相结合,构成了LSTMa模块,再利用残差连接的实现,设计了ResLSTMa,有效地缩减了网络的复杂度同时又保证足够的网络深度,因此本设计可以在深层网络的基础上从原始的数据中快速有效地提取到高级的退化特征信息。
其中,基于ResLSTMa模块的内嵌注意模块的设计:基于这样的考虑,注意力机制的使用大大提高特征提取的效率,因此我们利用注意力机制的Q、K、V三支路之间的关系,对Q进行注意力的改进设计,将ResLSTMa模块提取到的高级特征信息进行特征预回归,初步预测RUL的值,并将这个值作为注意力机制Q支路的输入,来和K支路的原始数据信息进注意力权重的计算。通过初步预测结果影响权重的分配,进而影响权重对V支路的影响,最终影响内嵌注意模块提取到的高级退化特征。本设计成功提高了高级退化特征信息的提取效率和模块提取特征的能力。
回归预测模块将特征提取模块送来的特征信息通过全连接层和激活函数的配合,进行数据的回归和预测,完成最终剩余使用寿命的预测。具体操作过程为:将得到的融合特征首先经过由两层带有Relu激活函数隐藏层数为50的全连接层和Dropout层进行特征的整合和防止网络过拟合,提高网络的泛化能力,最后经过一层带有Linear激活函数的全连接层对最后的特征信息进行回归和预测,得到最终预测的RUL结果。
为了更好的验证本发明系统的效果,如图7所示,为不同RUL预测方法实验结果的气泡图。在图7中,不同RUL的预测方法在C-MAPSS数据集上实验结果的性能分析,纵坐标表示不同实验结果的RMSE(均方根误差)值,气泡的大小表示评分函数Score值的大小,两种评价指标都是越小越好。同一纵轴的气泡表示同一种方法,四条折线表示四个数据集。可以明显看出本文提出的模型方法在四个数据集中均表现最好,尤其是在两个复杂的数据集FD002和FD004上,我们的方法气泡最小且位于最低的RMSE值位置处。综合分析,我们提出的方法对不同的数据集有较好的鲁棒性和适应性。
如图8、图9所示,为最简单FD001数据集和最复杂的FD004数据集的引擎真实RUL和预测RUL的对比结果可视化的结果。可以看出,在RUL值处于100-125之间的个别引擎预测效果不是很好,可能是由于引擎提前退化或者提前突然损坏,可记录观察的退化数据太少造成的。但多数正常退化的引擎都有很好的预测结果,尤其在RUL值很小的时候,说明此刻已经收集了足够多的退化数据,属于自然退化,可以很好预测最终的RUL。
上面对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种用于飞机发动机的剩余使用寿命预测系统,其特征在于:该系统包括信息采集及整合模块、数据预处理模块、特征提取模块以及回归预测模块;
信息采集及整合模块用于获取飞机发动机不同部位部件的传感器信号数据,并对获取的数据进行计算、整合,实现多指标显示的功能;
数据预处理模块对采集的数据进行归一化处理、数据样本的局部提取和时间维度特征的预提取三种操作;
特征提取模块对预处理后的数据进行特征提取和融合:该模块分为两条支路分别提取不同层次的特征,其中一条支路为基础特征提取单元,由单层的GRU构成,隐藏层的数量为50,用于提取数据中的初级底层特征信息;另一条支路为高级特征提取单元,由EA内嵌注意力构成,用于提取数据中的高级相关退化特征信息,其包含凝练且具有高度相关性的退化特征信息,最后将两个模块提取到的不同层次的特征信息进行级联融合构成融合特征,实现多层特征提取目的;
高级特征提取单元的具体工作过程如下:首先,将输入分为三条支路,中间的支路称为Query支路,简称Q支路,在Q支路中,利用ResLSTMa模块对输入数据进行特征提取,后一层带Relu激活函数的全连接层进行特征的整理,再用一层带Linear激活函数的全连接层进行RUL的初步预测,将预测的结果作为整个注意力机制的关注目标,和另一条输入支路Key支路进行通道间的相乘,来生成针对Q支路目标的相关注意力分数,将注意力分数进行Softmax归一化,就得到了注意力权重向量,将这个权重向量通过元素级的相乘施加给第三条输入支路Value支路,简称V支路;经过上面所有的操作,就得到了一个和Q支路目标高度相关的特征信息,将这个特征信息和原来的输入进行级联,最后通过一个带Relu激活函数的全连接层再次进行特征的整理,就得到了内嵌注意力模块的输出;
回归预测模块将特征提取模块送来的特征信息通过全连接层和激活函数的配合,进行数据的回归和预测,完成最终剩余使用寿命的预测。
2.根据权利要求1所述的一种用于飞机发动机的剩余使用寿命预测系统,其特征在于:数据预处理模块的具体工作过程为:将获取的传感器数据按照每一个传感器通道对数据进行最大最小归一化处理,让所有的数据都限定在0到1之间,然后采用固定大小的滑动窗口来对数据进行数据样本的截取;最后在数据预处理模块中,采用时间步自注意力模块对数据进行时间维度上的预处理。
3.根据权利要求2所述的一种用于飞机发动机的剩余使用寿命预测系统,其特征在于:Q支路中的ResLSTMa模块是由基础的LSTM模块结合自注意力机制和Dropout层构成,将LSMTa模块按照3层顺序结构和2层残差结构的模式进行连接,在模块的相加处添加批次归一化层BN来防止网络过拟合并加快网络的训练和收敛的速度,最后的输出由单独的LSTM模块对维度进行变换,方便下一步的操作。
4.根据权利要求1所述的一种用于飞机发动机的剩余使用寿命预测系统,其特征在于:回归预测模块的工作过程:将得到的融合特征首先经过由两层带有Relu激活函数隐藏层数为50的全连接层和Dropout层进行特征的整合和防止网络过拟合,提高网络的泛化能力,最后经过一层带有Linear激活函数的全连接层对最后的特征信息进行回归和预测,得到最终预测的RUL结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210966774.4A CN115048873B (zh) | 2022-08-12 | 2022-08-12 | 一种用于飞机发动机的剩余使用寿命预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210966774.4A CN115048873B (zh) | 2022-08-12 | 2022-08-12 | 一种用于飞机发动机的剩余使用寿命预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115048873A CN115048873A (zh) | 2022-09-13 |
CN115048873B true CN115048873B (zh) | 2022-11-01 |
Family
ID=83168055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210966774.4A Active CN115048873B (zh) | 2022-08-12 | 2022-08-12 | 一种用于飞机发动机的剩余使用寿命预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115048873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238833B (zh) * | 2022-09-22 | 2022-11-25 | 中国民航大学 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992872B (zh) * | 2019-03-27 | 2020-07-28 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN112766078B (zh) * | 2020-12-31 | 2024-04-16 | 辽宁工程技术大学 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
CN112699847B (zh) * | 2021-01-15 | 2021-12-07 | 苏州大学 | 基于深度学习的人脸特征点检测方法 |
CN113204921B (zh) * | 2021-05-13 | 2022-04-08 | 哈尔滨工业大学 | 飞机涡扇发动机的剩余使用寿命预测方法及系统 |
CN114492184A (zh) * | 2022-01-21 | 2022-05-13 | 北京科技大学 | 一种时频域分析航空发动机剩余使用寿命预测方法及装置 |
CN114880925A (zh) * | 2022-04-16 | 2022-08-09 | 天津工业大学 | 基于时间卷积网络和多层自注意力的装备寿命预测方法 |
CN114841063A (zh) * | 2022-04-26 | 2022-08-02 | 重庆邮电大学 | 一种基于深度学习的航空发动机剩余寿命预测方法 |
-
2022
- 2022-08-12 CN CN202210966774.4A patent/CN115048873B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115048873A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN109255505A (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
US20240012965A1 (en) | Steady flow prediction method in plane cascade based on generative adversarial network | |
CN115310674A (zh) | 基于并行神经网络模型LDformer的长时间序列预测方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN109614896A (zh) | 一种基于递归卷积神经网络的视频内容语义理解的方法 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN115391553A (zh) | 一种自动搜索时序知识图谱补全模型的方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN117390407B (zh) | 变电站设备的故障识别方法、系统、介质和设备 | |
CN114723003A (zh) | 一种基于时序卷积和关系建模的事件序列预测方法 | |
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 | |
CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN114401135A (zh) | 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法 | |
CN113096070A (zh) | 一种基于MA-Unet的图像分割方法 | |
Zhou et al. | Remaining Useful Life Prediction of Aero-Engine using CNN-LSTM and mRMR Feature Selection | |
CN114298183B (zh) | 飞行动作智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |