文献类型：期刊文章

作　　者：王欣[1] 孟天宇[1] 周俊曦[1]

WANG Xin;MENG Tian-yu;ZHOU Jun-xi(School of Computer Science, Civil Aviation Flight University of China, Guanghan 618307, China)

机构地区：[1]中国民用航空飞行学院计算机学院,广汉618307

出　　处：《科学技术与工程》

基　　金：国家自然科学基金民航联合基金重点项目(U2033213)。

年　　份：2022

卷　　号：22

期　　号：7

起止页码：2784-2792

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：预测性维护的核心技术之一是设备剩余寿命(remaining useful life,RUL)预测。为了提高航空发动机的剩余寿命预测精度,提出了一种基于注意力与长短期记忆(directional long short-term memory,LSTM)网络的航空发动机剩余寿命预测模型Attention-LSTM,通过引入注意力机制增强各时间点数据的特征权重,有效提升了模型预测精度。使用NASA C-MAPSS涡扇发动机仿真数据集进行实验,与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明,提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。

关 键 词：剩余寿命预测 预测性维护  航空发动机 注意力机制  长短期记忆网络  

分 类 号：TP391]