首页|基于改进CNN-LSTM的剩余使用寿命预测方法

基于改进CNN-LSTM的剩余使用寿命预测方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
机电设备的寿命预测是状态维修中的一项重要任务.剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本.为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型.通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL.最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势.
Remaining Useful Life Prediction Method Based on Improved CNN-LSTM

郭旭东、宋浏阳、王华庆、徐福健、董作一

展开 >

北京化工大学机电工程学院,北京 100029

中国航发湖南动力机械研究所,湖南株洲 412000

中化化肥有限公司,北京 100031

剩余使用寿命(RUL)预测 长短时记忆(LSTM)网络 航空发动机 深度学习

国家科技重大专项

2017-I-0006-0007

2021

10.19708/j.ckjs.2021.05.004

测控技术
中国航空工业集团公司北京长城航空测控技术研究所

测控技术

CSTPCD
影响因子：0.5
ISSN：1000-8829
年,卷(期)：2021.40(5)
  • 3
  • 3