摘要
在飞机中航空发动机毫无疑问是最重要的部件，航空发动机的运行状态分析对飞机整体状态的评估、使用安全、运维和决策都至关重要。而剩余使用寿命（RUL）是衡量航空发动机运行状态的关键指标。准确的剩余使用寿命预测可以精准掌握航空发动机运行状态，从而做到视情维修，并在保证安全性的前提下最大程度降低运维成本。航空发动机因内部结构复杂、工作环境的高温高压、大量的状态监测数据等特性使得剩余使用寿命预测面临特征提取困难、预测精度低、预测稳定性差等挑战。如何挖掘深层有效特征，进而提高剩余使用寿命预测精度并给出其置信度成为了航空发动机剩余使用寿命预测领域的重点和难点。基于上述背景，本文结合深度学习方法以涡扇发动机为研究对象，对涡扇发动机的剩余使用寿命预测领域开展研究。 针对组合特征搜索困难且搜索全面性较差的问题，提出了一种特征选择方法。首先以信息熵为衡量指标进行有效信息筛选，减少特征冗余；针对低相关性组合特征易被忽略的现象，以互信息度为相关度指标进行特征的筛选，进而利用自编码器将特征进行融合，并将组合特征扩充至特征集；最终利用弹性网络进行包含组合特征的特征集的特征选择，并利用仿真数据集以传统的弹性网络作为实验对照组开展对比实验。利用所选特征集进行预测，验证提出的特征选择方法的有效性和优越性，间接证明考虑组合特征的高效特征选择方法对于提高组合特征的提取能力。 针对Transformer提取时间信息能力不足且在剩余使用寿命预测领域中的特征提取能力有待提升，提出了基于改进Transformer的航空发动机剩余使用寿命预测方法。该方法在Transformer中加入一维卷积网络结构，提升其在剩余使用寿命预测领域应用中的预测表现；Transformer模型的注意力机制的主要功能是获取任意单一位置与其他位置的全局关系，但并不明确这种关系的先后，导致Transformer处理时序任务时需要进行额外的调整的问题，因此在Transformer网络结构中加入门控循环单元以提升时间信息提取能力。利用C-MAPSS数据集进行涡扇型航空发动机剩余使用寿命预测的相关实验，并与CNN、支持向量回归、自编码器等传统方法和近年预测效果较好的改进Transformer模型进行对比，证明提出的结合一维卷积、门控循环单元的Transformer的剩余寿命预测方法的优越性和有效性，最终进行消融实验。 针对剩余使用寿命预测结果受环境干扰后易产生波动性的特点，提出了基于点残差理论和优化的极限学习机的航空发动机寿命预测不确定性估计方法；针对极限学习机受参数影响较大的特点，利用遗传算法分别对区间上、下两个界限的对应预测模型结构参数进行优化，并利用优化后的极限学习机模型分别进行区间上、下界限预测。通过与其他方法进行实验对比，验证提出的方法在不确定性区间估计方面的优势。
NETL