系统工程与电子技术

作者：闫啸家, 梁伟阁, 张钢, 佘博, 田福庆

单位：1. 海军工程大学兵器工程学院, 湖北 武汉 430033；2. 大连舰艇学院导弹与舰炮系, 辽宁 大连 116016

关键词：残差卷积神经网络,注意力机制,融合模型,剩余寿命预测,航空发动机

基金：国家自然科学基金(61640308);湖北省自然科学基金(2019CFB362)

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题, 提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征; 然后通过引入注意力机制, 优化双向长短时记忆网络提取时间相关特征的权重参数, 加强关键退化信息对剩余寿命预测的表达; 最后通过航空发动机数据集验证了方法的有效性。分析结果表明, 对于运行条件复杂和故障模式多变的多维监测数据, 所提方法能够准确寻找退化时间点, 有效提高长时间运行设备的剩余寿命预测准确度。

来源：2023年第3期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2023年第3期