摘要
涡扇发动机作为航空飞行器正常运转的关键组件，其安全性对航空飞行器正常运转起着至关重要作用。由于涡扇发动机结构复杂、工况多变、工作环境严峻，导致时常发生性能退化问题并造成严重安全隐患。为了保证航空飞行器正常运行，减少非计划停机和维修成本，进行精准的剩余使用寿命(Remaining Useful Life，RUL)预测尤为关键。 当前，由于涡扇发动机运行工况复杂，导致高维度、多参数监测数据的退化时序特征难以提取，影响了模型预测性能。其次，已知剩余寿命的涡扇发动机训练数据获取困难，导致基于深度学习的预测模型难以克服数据域分布差异的问题。当前基于领域自适应的方法在域对抗阶段中忽视了目标数据与特征之间的互信息，导致预测效果也不理想。本文以涡扇发动机为研究对象，基于领域自适应和深度学习构建RUL预测模型，对以上问题进行了探究。本文的创新点和主要工作内容如下: (1)针对涡扇发动机运行工况复杂，导致高维度、多参数监测数据的退化时序特征难以提取的问题，提出一种基于双向门控变分编码回归网络的剩余使用寿命预测模型。该模型首先在变分编码器网络的编码端引入双向门控循环单元网络，充分挖掘多维度退化数据中隐藏时序特征;其次，重构变分编码器模型的解码器为回归网络，利用变分编码器潜在空间中退化特征来训练回归网络。此外，在损失函数中联合KL(Kullback-Leibler)散度和回归误差提高剩余使用寿命预测精度。为验证所提预测模型的高效性，在公开涡扇发动机数据集上对所提预测模型的有效性进行了评估。 (2)针对涡扇发动机在不同工况下的全寿命数据存在分布差异，进行全局领域自适应没有充分考虑目标数据与特征之间互信息的问题，提出一种相似性对比对抗领域剩余寿命预测模型。首先，该模型在对抗领域自适应网络中嵌入相似性对比模块，以保留目标域数据和目标域退化特征之间的互信息，从而使预测模型能够充分学习域不变特征。其次，该模型使用双向长短记忆网络作为主干网络特征提取器并引入注意力机制来关注不同退化阶段的有效退化信息，为表征退化信息的特征分配更多权重来提高剩余寿命预测精度。该预测模型在涡扇发动机案例的12个跨域场景下进行全面的实验分析来验证模型预测性能。 (3)设计具有用户交互界面的涡扇发动机剩余寿命预测软件，并基于Qt框架实现。该软件包括涡扇发动机原始数据预处理功能，同时集成所构建预测模型，实现RUL预测的可视化操作功能，可有效提高RUL预测效率。
NETL