南京航空航天大学王华伟教授团队：基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测丨JME文章推荐

提示：点击上方"机械工程学报"↑关注我吧

航空发动机剩余寿命预测能够依据当前状态监测数据或历史数据等信息，通过特征提取和趋势预测技术，构建寿命预测模型，得到航空发动机的剩余寿命。剩余寿命预测能够用于动态感知航空发动机健康状况的未来变化，为预防性维修提供技术支撑。随着数据采集技术的不断发展，能够得到海量的多维的机载传感器数据。因此如何利用数据处理和挖掘技术，构建合适的模型从航空大数据中提取出典型特征是剩余寿命预测的研究重点。

 南京航空航天大学的车畅畅、王华伟等在《机械工程学报》2021年第14期发表了《基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测》一文。他们在这篇文章中根据工程经验在多状态参数的主成分分析的基础上对退化过程进行随机分布拟合，得到综合性能退化量；然后将多变量时间序列样本和对应的性能退化量带入1D-CNN模型进行回归分析，从而得到性能退化分析模型；再通过Bi-LSTM对性能退化量进行时间序列预测，得到性能退化的未来趋势；最后通过设定性能退化阈值，得到剩余寿命预测结果，从而得到从多状态参数—性能退化分析—性能退化预测—剩余寿命预测的实时动态感知模型。

点击阅读原文，免费下载全文！

试验方法

剩余寿命预测对航空发动机的预防性维修有重要指导作用，是保障飞机安全运行，提高维修保障效率的重要手段。一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)和双向长短时记忆神经网络(Bidirectional longshort memory, Bi-LSTM)被应用于航空发动机剩余寿命预测模型。首先，根据工程经验在多状态参数的主成分分析的基础上对退化过程进行随机分布拟合，得到综合性能退化量；然后将多变量时间序列样本和对应的性能退化量带入1D-CNN模型进行回归分析，从而得到性能退化分析模型；再通过Bi-LSTM对性能退化量进行时间序列预测，得到性能退化的未来趋势；最后通过设定性能退化阈值，得到剩余寿命预测结果，从而得到从多状态参数—性能退化分析—性能退化预测—剩余寿命预测的实时动态感知模型。

试验结果

为了验证本文提出方法的有效性，构建了不同的深度学习模型用于剩余寿命预测。针对多状态参数的回归分析，选取了常用的CNN、DBN、ANN和支持向量回归作为对比模型，并根据数据特点，选取了合适的模型参数。其中，SVR 模型的惩罚系数C=1，核函数选用径向基函数(Radial basis functionnetwork，RBF)；DBN和ANN的模型结构都是[14，10，6，3，1]；CNN模型的输入为二维，其余基本参数设置与1D-CNN相同。选择训练最后一个Epoch的测试集的MAE和R系数作为对比指标，实验结果如表所示。可以看出本文提出的1D-CNN与其他模型相比能够提升1%-5%的R系数值，降低36%-69%的MAE误差，从而证明了1D-CNN具有良好的时间序列样本回归分析能力。根据经验设定0.95作为的性能退化阈值，可以得到在前期(50循环)、中期(100循环)和后期(100循环)的不同时间序列预测模型的剩余寿命预测结果，如图所示。可以看出，本文提出的Bi-LSTM模型与其他模型相比能够得到更为集中的、且误差较小的剩余寿命预测结果。并且在前期、中期和后期都能得到较为准确的剩余寿命预测结果。

结论

(1)本文针对性能退化程度未知的多状态参数时间序列数据，在多状态参数主成分分析的基础上采用随机分布拟合，得到了多状态参数对应的整体性能退化程度，用作回归分析样本标签。

(2)本文使用1D-CNN模型挖掘多状态参数和性能退化量之间的深层次映射关系，从而得到实时的多状态参数对应的性能退化量。

(3)为了预测性能退化量的变化趋势，在采用滑动窗口和重复分割方法扩充样本的基础上，本文使用Bi-LSTM模型对性能退化量进行时间序列预测。通过设定退化阈值，并通过模型反推可以得到现有退化量和退化阈值之间的时间间隔作为剩余寿命预测结果。

(4)通过实例验证证明了本文提出的方法与其他模型相比，在性能退化回归分析、性能退化预测和剩余寿命预测方面都有着较低的测试误差和更准确的输出结果。本文的研究方法能够通过多维长时间序列数据的深度学习模型分析得到较为准确的剩余寿命预测结果，对于复杂系统剩余寿命预测有重要参考价值。

前景与应用

本文提出的方法结合了深度一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)和双向长短时记忆神经网络(Bidirectional longshort memory, Bi-LSTM)用于航空发动机的剩余寿命预测。该混合模型能够充分发挥1D-CNN对状态参数的回归分析能力以及Bi-LSTM的时间序列预测能力，从而得到准确的剩余寿命预测结果。该方法能够被应用于航空发动机系统、滚动轴承、风力发电机等复杂机械设备的剩余寿命预测。

引用本文

车畅畅, 王华伟, 倪晓梅, 蔺瑞管, 熊明兰. 基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测[J]. 机械工程学报, 2021, 57(14): 304-312.

CHE Changchang, WANG Huawei, NI Xiaomei, LIN Ruiguan, XIONG Minglan. Residual Life Prediction of Aeroengine Based on 1D-CNN and Bi-LSTM[J]. Journal of Mechanical Engineering, 2021, 57(14): 304-312.

关于团队

团队带头人

王华伟

• 南京航空航天大学教授，博士生导师

• 中国民用航空局“民航飞机健康监测与智能维护”领域创新团队负责人（2018年）

• 江苏省青蓝工程优秀青年骨干教师

• 主持完成国家自然科学基金3项

• 主持和承担民机重大专项、江苏省科技基金和民航安全能力建设项目16项

• 发表论文60余篇，其中SCI收录17篇，出版专著（教材）5部

• 中国民用航空学会科技进步一等奖1项、二等奖1项，国防科学技术进步二等奖1项、三等奖1项

团队研究方向

围绕民机可靠性与安全性、维修工程和民航安全开展研究。针对民机系统仿真、民机系统风险性分析、民机系统多模态数据分析与建模、航空器故障诊断与健康管理等方向进行了广泛而深入的研究。

目前在承担的民机相关项目包括：民用飞机结构协同修理平台技术、基于系统安全性分析的编制、分析及验证方法研究。

近两年团队发表文章

[1]  洪骥宇,王华伟,车畅畅,倪晓梅.改进降噪自编码的航空发动机气路故障诊断[J].振动.测试与诊断,2019,39(03):603-610+675.

[2]  车畅畅,王华伟,倪晓梅,付强.基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测[J].交通运输工程学报,2019,19(05):106-115.

[3]  车畅畅,王华伟,倪晓梅,付强.基于改进GRU的航空发动机剩余寿命预测[J].航空计算技术,2020,50(01):13-16+20.

[4]  车畅畅,王华伟,倪晓梅,蔺瑞管.基于深度残差收缩网络的滚动轴承故障诊断[J/OL].北京航空航天大学学报:1-10[2020-09-11].https://doi.org/10.13700/j.bh.1001-5965.2020.0194.

[5]  CHE C, Wang H, NI X, et al. Domainadaptive deep belief network for rolling bearing fault diagnosis[J]. Computers& Industrial Engineering, 2020,143:106427.

[6] CHE C, Wang H, FU Q, et al. Combiningmultiple deep learning algorithms for prognostic and health management ofaircraft[J]. Aerospace Science and Technology, 2019,94:105423.

[7]  NI X, WANG H, CHE C, et al. Civilaviation safety evaluation based on deep belief network and principal componentanalysis[J]. Safety Science, 2019,112:90-95.

[8] CHE C, WANG H, FU Q, et al.Deep transfer learning for rolling bearing fault diagnosis under variableoperating conditions[J]. Advances in Mechanical Engineering, 2019, 11(12).

[9] CHE C, WANG H, NI X, et al. Intelligentfault diagnosis method of rolling bearing based on stacked denoisingautoencoder and convolutional neural network[J/OL]. Industrial Lubrication andTribology, 2020. https://doi.org/10.1108/ILT-11-2019-0496.

[10] CHEC, WANG H, FU Q, et al. Intelligent fault prediction of rolling bearing basedon gate recurrent unit and hybrid autoencoder[J/OL]. Proceedings of theInstitution of Mechanical Engineers, Part C: Journal of Mechanical EngineeringScience, 2020. DOI: 10.1177/0954406220941037.

相关推荐

[1]   裴洪，胡昌华，司小胜，等. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报，2019，55(8)：1-13.

[2]   车畅畅，王华伟，倪晓梅，等. 基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测[J]. 交通运输工程学报，2019，19(5)：106-115.

[3] CHE C，WANG H，FU Q，et al. Combining multiple deep learningalgorithms for prognostic and health management of aircraft[J].AerospaceScience and Technology，2019， 94：105423.

[4]王玺，胡昌华，任子强，等. 基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命预测[J]. 航空学报，2019，41(2)：223291.

[5] 航空安全工程，科学出版社，2014.

编辑：恽海艳    校对：向映姣

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！我们《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

推荐阅读

版权声明：

---

本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！

在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!

联系我们：

---

联系人：暖暖

电话：[phone]

E-mail：[e-mail]

网 址：http://www.cjmenet.com.cn

官方微信号：jmewechat

长按图片，识别二维码，关注我哟