计算机应用研究

作者：李勇成,李文骁,雷印杰,

单位：四川大学电子信息学院,成都610065；

关键词：剩余寿命预测,特征增强,时空信息嵌入,卷积神经网络,

基金：装发预研项目；；

针对现有的剩余寿命预测方法对原始数据利用率不高以及多维数据特征提取能力不足的问题，提出了一种基于特征增强和时空信息嵌入的卷积神经模型。首先，通过特征增强模块在原始数据基础上进一步提取工况特征与手工特征作为辅助特征；其次，提出了时空嵌入模块，对原始数据进行时空信息编码以嵌入时间序列信息和空间特征信息；最后，拼接上述特征并通过回归预测模块捕获数据内在关系得到回归预测结果。在通用的涡扇发动机模拟数据集（C-MAPSS）上对该模型预测效果进行了测试。实验结果表明，与现有主流深度学习方法相比，该模型在四个子集上的均方根误差平均减少了8.8%，且在多工况的运行条件和故障类型下，其预测精度均优于现有先进算法，充分证明了该模型在涡扇发动机剩余使用寿命预测方面的有效性和准确性。

来源：2024年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第4期