文献类型：期刊文章

作　　者：袁烨[1,2,3] 黄虹[1] 程骋[1] 虞文武[4,5] 丁汉[2]

YUAN Ye;HUANG Hong;CHENG Cheng;YU WenWu;DING Han(School of Artificial Intelligence and Automation,Huazhong University of Science and Technology,Wuhan 430074,China;School of Mechanical Science and Engineering,Huazhong University of Science and Technology,Wuhan 430074,China;State Key Labortary of Digital Manufacturing Equipment and Technology,Huazhong University of Science and Technology,Wuhan 430074,China;School of Mathematics,Southeast University,Nanjing 210096,China;Key Laboratory of Measurement and Control of Complex Systems of Engineering,Ministry of Education,Southeast University,Nanjing 210096,China)

机构地区：[1]华中科技大学人工智能与自动化学院,武汉430074 [2]华中科技大学机械科学与工程学院,武汉430074 [3]华中科技大学数字制造装备与技术国家重点实验室,武汉430074 [4]东南大学数学学院,南京210096 [5]东南大学复杂工程系统测量与控制教育部重点实验室,南京210096

出　　处：《中国科学：技术科学》

基　　金：国家重点研发计划(编号:2018YFB1701202);国家自然科学基金青年基金(批准号:61873197,51905197)资助项目

年　　份：2022

卷　　号：52

期　　号：1

起止页码：198-212

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行.涡扇发动机的剩余寿命预测是航天器设备监测与维护的重要一环.然而涡扇发动机的监测过程具有工况复杂、监测数据多样、时间跨度长等特点,针对其数据类型多且体量大、数据冗余度较高、剩余寿命预测精度较低等问题,本文通过将生成对抗网络(Generative adversarial network,GAN)的生成能力与门控循环单元(Gate recurrent unit,GRU)的预测能力相结合,提出一种基于特征注意力机制的GAN和GRU融合模型.为了对时序关系进行建模,首先利用特征注意力机制和GRU分别提取空间和时间上的相关性,然后将经过预训练的生成器附加到GRU之后得到整体模型.具体来说,本文采用预训练的GAN网络生成模块替代传统自编码器,解决了由自编码器参数过多引起的GRU模块训练不充分的问题,提升了时空相关特性的提取能力、提高了模型的泛化性能、提升了预测精度.本文利用CMAPSS涡扇发动机数据来验证模型效果,通过与不同机器学习方法进行对比,实验结果显示,该方法在均方根误差和指数型评价指标这两个评价指标上都有较高的预测精度.

关 键 词：航空航天 剩余寿命预测 生成对抗网络  注意力机制  特征提取

分 类 号：TP3[计算机类]