系统工程与电子技术

作者：蔺瑞管, 王华伟, 车畅畅, 倪晓梅, 熊明兰

单位：南京航空航天大学民航学院, 江苏 南京 210016

关键词：故障预测与健康管理,预测性维护,长短期记忆网络,时间窗,二分类

基金：国家自然科学基金(U1833110)

利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题, 提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选, 并将有效信息用于时间序列预测。首先, 采用滑动时间窗口制备训练样本。其次, 将预处理后的样本输入LSTM, 预测设备在特定时间窗口内的失效概率。然后, 通过调整窗口大小, 得到最优性能的二分类模型, 以更好地适应预测维护需求。最后, 利用美国航空航天局C-MAPSS数据集验证了该模型的有效性, 相比于已有分类方法, 其在剩余使用寿命分类方面更加准确。

来源：2022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2022年第3期