摘要
航空发动机的性能预测和健康管理等技术，对于保障航空器的安全工作、减少维护投入有着重大作用，是近年来机队管理、智能化维修的重要方式。航空发动机的剩余寿命(RUL，RemainingUsefulLife)预测是研究发动机安全技术方面的重点工作之一。本文采用深度学习技术，结合NASA给出的某涡轮风扇发动机退化数据集(CMAPSS数据集)进行发动机RUL的预测研究。 (1)针对传统机器学习模型的航空发动机RUL预测方法不能充分学习复杂部件之间时序特征和非线性的问题，提出了一种基于动态滑动时间窗和循环神经网络的发动机RUL预测方法。采用动态滑动时间窗对不同的航空发动机运行循环匹配不同的时间窗口大小，以实现模型的精度提高和预测数据的完整性；深入探讨了递归神经网络模型(RNN,RecurrentNeuralNetwork)的两个变体长短时记忆网络模型(LSTM,LongShortTermMemory)和门控循环单元模型(GRU,GatedRecurrentUnit)，验证结果表明，在较大数据集的情况下LSTM模型相比于GRU模型具有更好的预测效果。 (2)针对RNN系列和CNN(ConvolutionalNeuralNetworks)系列的单模型结构对于长序列的数据学习都存在着结构局限性问题，提出了一种基于Transformer模型的发动机RUL预测方法，充分利用其序列到序列的体系结构，捕获退化参数的衰退特征和发动机RUL之间的动态依赖关系。验证结果表明该模型与传统深度学习模型卷积网络模型(CNN)、门控循环单元模型(GRU)和长短时记忆网络模型(LSTM)相比，评分和均方根误差均最低，证明了该模型具有较高的预测精度。 (3)针对多工况下航空发动机数据退化趋势不明显而导致RUL预测精度不高的问题，提出了一种基于工况聚类分析和残差自注意力的发动机RUL预测方法。首先通过聚类将不同的工况进行划分，并构建线性回归模型筛选出符合发动机性能变化的退化参数；然后通过卷积网络模型(CNN)，得到数据中隐含的发动机性能退化特征；再利用双向长短时记忆网络模型(BLSTM,BidirectionalLongShortTermMemory)挖掘时序退化特性，并加以记忆；最后结合残差自注意力机制对退化特征分配不同的权重来实现发动机剩余寿命预测。经过消融试验，验证了该方法的有效性，结果表明该方法的评分和均方根误差均最优，可为多工况发动机RUL预测提供一定的参考。 研究结果表明，单工况下采用单模型结构时，Transformer模型相比于传统的深度学习模型具有一定的优势，凭借自注意力和残差的加持，可进一步提高发动机剩余寿命的预测精度；对于多工况数据集，通过聚类标准化分析算法实现了对多工况数据不同量级的统一，使得深度学习模型可以更好地拟合各个发动机的退化趋势，采用深度混合的模型结构可融合各个单模型的结构特点，有效提高了深度学习模型预测发动机剩余寿命的预测精度。本文提出的方法可为航空公司提供更为精准的维护决策依据，也可为机械设备的RUL预测研究方法提供一定的参考。
NETL