Bi-cLSTM：用于航空发动机剩余有用寿命估计的残差校正双向LSTM
机器学习
2026-03-03 v1
摘要
准确的剩余有用寿命（RUL）预测是航空发动机等安全关键系统有效prognostics和健康管理（PHM）的关键要求。现有的深度学习方法，特别是基于LSTM的模型，在面对不同工作条件时往往难以泛化，并对多变量传感器数据中的噪声敏感。为此，我们提出了一种 novel 的双向残差校正LSTM（Bi-cLSTM）模型，用于稳健的RUL估计。该模型将双向时序建模与自适应残差校正机制相结合，用于迭代细化序列表示。在此基础上，我们引入了一种基于状态的预处理管线，包含状态基归一化、特征选择和指数平滑，以提高在复杂工作环境下的鲁棒性。对NASA C-MAPSS数据集的四个子集进行的广泛实验表明，所提出的Bi-cLSTM在所有基于LSTM的基线方法上都表现出色，在具有挑战性的多条件场景中尤其取得了具竞争力的SOTA性能。这些结果突显了将双向时序学习与残差校正相结合用于可靠RUL预测有效性。
引用
@article{arxiv.2603.00745,
title = {Bi-cLSTM: Residual-Corrected Bidirectional LSTM for Aero-Engine RUL Estimation},
author = {Rafi Hassan Chowdhury and Nabil Daiyan and Faria Ahmed and Md Redwan Iqbal and Morsalin Sheikh},
journal= {arXiv preprint arXiv:2603.00745},
year = {2026}
}