基于深度学习的涡扇发动机剩余使用寿命预测方法研究

【作者】 吴小楠； 覃京； 黄英志； 缑林峰；

【机构】 西北工业大学动力与能源学院；

【摘要】 航空发动机剩余使用寿命(RUL)预测是提升飞行安全、优化维护策略和降低运营成本的关键技术。传统的方法如长短期记忆网络(LSTM)、卷积神经网络、Transformer等在非线性特征提取、多参数耦合建模及变长序列处理中存在显著局限性,难以充分捕捉发动机退化过程中的复杂动态特性。针对这些问题,本文提出了一种基于LSTM-Transformer的混合模型,通过多层次特征融合机制,结合LSTM的局部时序建模能力和Transformer的全局依赖关系捕捉能力,实现了航空发动机RUL的高精度预测。模型设计采用双阶段特征提取架构,利用LSTM的门控机制提取传感器数据的局部时序波动特征,通过Transformer的自注意力机制和多头注意力网络提取全局退化趋势,并利用跨传感器注意力权重揭示压力、温度等参数的物理耦合关系。本研究采用NASA的C-MAPSS数据集验证提出方法的优势,结果表明,混合模型能够有效提取局部与全局特征,其预测结果在均方根误差(RMSE)和Score评分上均显著优于单一模型。此外,随着发动机接近失效,模型的预测误差显著降低,验证了其在关键退化阶段的可靠性。更多还原