基于选择性深度神经网络集成的涡扇发动机剩余寿命预测

作     者：韩冬阳 林泽宇 郑宇 郑美妹 夏唐斌 HAN Dong-yang;LIN Ze-yu;ZHENG Yu;ZHENG Mei-mei;XIA Tang-bin

作者机构：上海交通大学机械与动力工程学院上海200240 上海交通大学弗劳恩霍夫协会智能制造项目中心上海201306 

基　　金：国家自然科学基金资助项目(51875359) 教育部-中国移动联合基金建设项目(MCM20180703) 上海市“科技创新行动计划”自然科学基金资助项目(20ZR1428600) 上海商用飞机系统工程科创中心联合研究基金资助项目(FASE-2021-M7) 上海交通大学深蓝计划基金资助项目(SL2021MS008) 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2022年第56卷第11期

页      码：2109-2118,2214页

摘      要：大样本高维度状态监测数据对剩余使用寿命(RUL)精准预测有着技术性挑战,为了提高以航空涡轮风扇发动机为代表的复杂装备的预测精度和收敛效率,提出一种两阶段的选择性深度神经网络集成方法.第1阶段为多方法联合扰动下的候选集生成方案,通过采用异质神经网络结构、多时间尺度设计和算法参数随机化消除模型内部耦合关系,强化候选深度神经网络集多样性;第2阶段利用遗传算法集成修剪冗余模型,有效剔除性能不佳的冗余学习器,以获取多样化最优候选子集,并按平均集成输出预测结果.与个体模型的数据实验对比表明,所提方法通过同步增强集成模型准确性和多样性,提升了近20%的RUL预测精度,可为运维决策提供有力支撑.

主 题 词：剩余寿命预测 选择性集成 异质深度神经网络 集成多样性 涡扇发动机 

学科分类：08[工学] 0802[工学-机械学] 

核心收录：

D　O　I：10.3785/j.issn.1008-973X.2022.11.001

馆 藏 号：203115564...