首页|期刊导航|现代制造工程|航空发动机剩余寿命的多尺度时序注意力预测方法研究

航空发动机剩余寿命的多尺度时序注意力预测方法研究OA

中文摘要

针对现有航空发动机剩余使用寿命(Remaining Useful Life, RUL)预测算法中存在的特征提取不足、预测不准确等问题,提出了一种基于多尺度时序注意力剩余使用寿命预测模型。首先,外部注意力模块(External Attention Blocks, EAB)通过引入外部可学习的记忆单元,提取航空发动机运行数据中的关键特征,增强模型对全局信息的捕捉能力;随后,多尺度时间卷积网络(Multi-Stage Temporal Convolutional Network, MSTCN)捕捉时间序列数据中的多尺度时序特征,包括短期波动和长期趋势;然后,采用挤压-激励机制(Squeeze-and-Excitation networks, SE)对不同通道的贡献进行加权,提高模型的预测精度;最后,构造全连接层来融合加权特征以输出预测结果。利用美国航空航天局(National Aeronautics and Space Administration, NASA)提供的航空发动机退化仿真数据集(Commercial Modular Aero-Propulsion System Simulation, C-MAPSS)验证了该方法的有效性。与基于不同神经网络架构,如卷积神经网络(Convolutional Neural Networks, CNN)、循环神经网络(Recurrent Neural Network, RNN)及卷积双向长短时记忆网络(Convolutional Bidirectional Long Short-Term Memory Fusion Model, CNN-BiLSTM)等对比实验中的模型进行了比较,结果表明,该方法在航空发动机剩余使用寿命预测方面展现出更高的预测精度。

邢荣鑫;高军伟;吴文凯;崔吉强;杨彦萍

青岛大学自动化学院,青岛266071 山东省工业控制技术重点实验室,青岛266071青岛大学自动化学院,青岛266071 山东省工业控制技术重点实验室,青岛266071青岛大学自动化学院,青岛266071 山东省工业控制技术重点实验室,青岛266071青岛大学自动化学院,青岛266071 山东省工业控制技术重点实验室,青岛266071青岛大学自动化学院,青岛266071 山东省工业控制技术重点实验室,青岛266071

信息技术与安全科学

航空发动机剩余使用寿命外部注意力模块多尺度时间卷积网络挤压-激励机制

《现代制造工程》 2026 (9)

P.118-127,10

山东省自然科学基金项目(ZR2019MF063)。

10.16731/j.cnki.1671-3133.2026.09.014

评论